打破信息差！用量化交易解锁4个鲜为人知的赚钱指标（附源码）

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：我今天挑选了4个既简单好用又懂国内口味的技术指标：STC趋势加速器、CHOP震荡探测器、VZO量能透视仪、CMF资金扫描仪。手把手教你用Python实现，附完整代码。无论抓趋势还是做波段，这些工具都能帮你少走弯路！

老指标就像用旧地图找新大陆，主力早把MACD、KDJ玩烂了。今天带大家解锁的4个冷门指标，能帮你：

• 比MACD快2倍捕捉趋势拐点。
• 一眼看穿主力是在真拉升还是假突破。
• 量化市场震荡强度，避免被反复打脸。

在算法交易中，技术指标是不可或缺的工具。而解锁新的算法交易技能就是你需要掌握的技能，今天讲的这些指标不仅能帮助你分析股市趋势，还能提升你的交易决策能力。

接下来，我们将逐一讲解每个指标的原理、使用方法，并提供Python代码实现。

1. STC趋势加速器

STC（Schaff Trend Cycle）是一种改进的MACD指标。简单来说，它是把MACD和波动率指标杂交升级，像给趋势装了显微镜。STC的值在0到100之间波动，适合捕捉市场短期变化。

STC的计算步骤

• 首先，计算短期（通常12周期）和长期（通常26周期）的指数移动平均线（EMA）。
• 然后，计算短期EMA与长期EMA的差值，得到MACD线。
• 接着，计算MACD线的9周期移动平均线，称为信号线。
• 最后，使用随机过程将MACD差值归一化到0-100的范围，得到STC值。

STC的信号判断

例如，当STC高于75时，市场可能过热，价格可能下跌；低于25时，市场可能超卖，价格可能上涨。穿过50可以确认趋势方向。

代码实现

下面是计算STC的Python代码：

# STC趋势加速器计算
def 计算_STC(数据, 短线=12, 长线=26):
    数据['快线'] = 数据['收盘价'].ewm(span=短线).mean()  # 计算快速均线
    数据['慢线'] = 数据['收盘价'].ewm(span=长线).mean()  # 计算慢速均线
    MACD线 = 数据['快线'] - 数据['慢线']
    ... # 完整代码见文末

上图是一张STC指标的图表，展示它如何与股价一起变化，突出超买和超卖区域。

2. CHOP震荡探测器

CHOP（Choppiness Index）是一个判断市场趋势（价格持续上涨或下跌）或震荡（价格横盘）的波动性指标。

市场像拳击手——要么重拳出击（趋势），要么左右摇摆（震荡）。这个指标就是裁判，0-100分告诉你现在谁占优，值越高表示市场越震荡，值越低表示市场越有趋势。

CHOP的计算步骤

• 首先，计算每个周期的最高价与最低价之间的范围（High – Low）。
• 然后，将过去14周期的范围相加，得到平均真实范围（ATR）。
• 接着，找到过去14周期的最高价和最低价。
• 最后，使用对数公式计算CHOP：100 * log10(ATR / (最高价 – 最低价)) / log10(周期数)。

CHOP的信号判断

例如，当CHOP高于61.8时，市场可能在横盘，交易者应避免趋势策略；低于38.2时，市场可能有明确趋势，适合追随趋势。

代码实现

下面是计算CHOP的Python代码：

def calculate_choppiness_index(df, period=14):
    high_low_range = df['High'] - df['Low']
    atr = high_low_range.rolling(window=period).sum()
    max_high = df['High'].rolling(window=period).max()
    min_low = df['Low'].rolling(window=period).min()
    chop = 100 * np.log10(atr / (max_high - min_low)) / np.log10(period)
    return chop

代码解析：

• high_low_range：计算每个周期的最高价与最低价之差。
• atr：计算过去14周期的总ATR。
• max_high 和 min_low：找到过去14周期的最高价和最低价。
• chop：使用对数公式计算CHOP值。

3. VZO量能透视仪

VZO（Volume Zone Oscillator）是一个衡量成交量买卖压力的指标。它通过分析价格变化和成交量的关系，衡量市场的买卖压力，帮助识别积累（买盘）和分布（卖盘）区域。VZO的值在-100到+100之间波动。

比如茅台3月放量下跌时，VZO坚守40上方，果然1个月后暴涨18%！量能指标从不骗人。

VZO的计算步骤

• 首先，计算连续收盘价之间的变化（Close.diff()）。
• 如果价格上涨，成交量记为正值；如果价格下跌，成交量记为负值。
• 然后，计算过去14周期的正成交量和负成交量总和。
• 最后，将正负成交量差值除以总成交量，并乘以100，得到VZO值。

VZO的信号判断

例如，VZO高于+40表示买盘力量强，可能继续上涨；低于-40表示卖盘力量强，可能继续下跌。

代码实现

下面是计算VZO的Python代码：

def calculate_vzo(df, period=14):
    close_diff = df['Close'].diff()
    positive_volume = df['Volume'].where(close_diff > 0, 0)
    negative_volume = df['Volume'].where(close_diff < 0, 0)
    total_volume = df['Volume'].rolling(window=period).sum()
    vzo = 100 * (positive_volume.rolling(window=period).sum() - negative_volume.rolling(window=period).sum()) / total_volume
    return vzo

代码解析：

• close_diff：计算连续收盘价的变化。
• positive_volume 和 negative_volume：根据价格变化分配正负成交量。
• total_volume：计算过去14周期的总成交量。
• vzo：计算正负成交量差值并归一化到-100到+100。

4. CMF资金扫描仪

CMF（Chaikin Money Flow）是一个确认资金流向的强力工具。它结合价格和成交量数据，分析收盘价相对于最高价和最低价的位置，帮助确认趋势强弱。CMF的值在-1到+1之间波动。

当价格创新低但CMF抬升，说明主力偷偷吸筹；价格新高CMF背离，赶紧落袋为安！

CMF的计算步骤

• 首先，计算Money Flow Multiplier（MFM）：[(Close – Low) – (High – Close)] / (High – Low)。
• 然后，将MFM乘以当期成交量，得到Money Flow Volume（MFV）。
• 接着，计算过去20周期的MFV总和，并除以同期总成交量，得到CMF值。

CMF的信号判断

例如，CMF高于+0.2表示资金流入，可能支持上涨趋势；低于-0.2表示资金流出，可能支持下跌趋势。

代码实现

下面是计算CMF的Python代码：

def calculate_cmf(df, period=20):
    money_flow = ((df['Close'] - df['Low']) - (df['High'] - df['Close'])) / (df['High'] - df['Low'])
    money_flow_volume = money_flow * df['Volume']
    cmf = money_flow_volume.rolling(window=period).sum() / df['Volume'].rolling(window=period).sum()
    return cmf

代码解析：

• money_flow：计算Money Flow Multiplier。
• money_flow_volume：将MFM乘以成交量，得到MFV。
• cmf：计算过去20周期的MFV总和并除以总成交量。

5. 观点总结

这四种技术指标各有独特优势：STC快速捕捉趋势反转，CHOP判断市场趋势或震荡，VZO分析成交量压力，CMF确认资金流向。结合这些指标，你可以构建更强大的交易系统，提升决策准确性。

• STC：趋势发动机，改进的MACD指标，抓主升浪利器。
• CHOP：市场震荡探测器，波动性指标，避免被左右打脸。
• VZO：量能透视镜，成交量指标，衡量买卖压力，看穿主力底牌。
• CMF：资金扫描仪，资金流向指标，确认趋势强弱，跟踪聪明钱流向。
• 组合使用效果翻倍：趋势里吃肉，震荡里喝汤。

6. 完整代码

以下是完整的Python代码，用于下载股票数据、计算四个指标并绘制图表：

import numpy as np
import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt

# 定义股票符号和时间段
symbol = '^GSPC'  # 例如 S&P 500
start_date = '2020-01-01'
end_date = '2025-01-01'

# 下载股票数据
df = yf.download(symbol, start=start_date, end=end_date)
df.columns = ['Close', 'High', 'Low', 'Open', 'Volume']

# 计算 STC
def calculate_stc(df, short_ema=12, long_ema=26, stoch_period=10, signal_period=3):
    df['Short_EMA'] = df['Close'].ewm(span=short_ema).mean()
    df['Long_EMA'] = df['Close'].ewm(span=long_ema).mean()
    macd = df['Short_EMA'] - df['Long_EMA']
    df['MACD_Signal'] = macd.ewm(span=9).mean()
    macd_diff = macd - df['MACD_Signal']
    lowest_macd = macd_diff.rolling(stoch_period).min()
    highest_macd = macd_diff.rolling(stoch_period).max()
    df['STC'] = 100 * ((macd_diff - lowest_macd) / (highest_macd - lowest_macd))
    return df['STC']

df['STC'] = calculate_stc(df)

# 计算 CHOP
def calculate_choppiness_index(df, period=14):
    high_low_range = df['High'] - df['Low']
    atr = high_low_range.rolling(window=period).sum()
    max_high = df['High'].rolling(window=period).max()
    min_low = df['Low'].rolling(window=period).min()
    chop = 100 * np.log10(atr / (max_high - min_low)) / np.log10(period)
    return chop

df['CHOP'] = calculate_choppiness_index(df)

# 计算 VZO
def calculate_vzo(df, period=14):
    close_diff = df['Close'].diff()
    positive_volume = df['Volume'].where(close_diff > 0, 0)
    negative_volume = df['Volume'].where(close_diff < 0, 0)
    total_volume = df['Volume'].rolling(window=period).sum()
    vzo = 100 * (positive_volume.rolling(window=period).sum() - negative_volume.rolling(window=period).sum()) / total_volume
    return vzo

df['VZO'] = calculate_vzo(df)

# 计算 CMF
def calculate_cmf(df, period=20):
    money_flow = ((df['Close'] - df['Low']) - (df['High'] - df['Close'])) / (df['High'] - df['Low'])
    money_flow_volume = money_flow * df['Volume']
    cmf = money_flow_volume.rolling(window=period).sum() / df['Volume'].rolling(window=period).sum()
    return cmf

df['CMF'] = calculate_cmf(df)

# 绘制指标
fig, axs = plt.subplots(5, 1, figsize=(12, 12), sharex=True)

# 绘制收盘价
axs[0].plot(df.index, df['Close'], label='Close Price', color='black')
axs[0].set_title('Close Price')
axs[0].legend()

# 绘制 STC
axs[1].plot(df.index, df['STC'], label='STC', color='blue')
axs[1].set_title('Schaff Trend Cycle (STC)')
axs[1].legend()

# 绘制 CHOP
axs[2].plot(df.index, df['CHOP'], label='CHOP', color='green')
axs[2].set_title('Choppiness Index (CHOP)')
axs[2].legend()

# 绘制 VZO
axs[3].plot(df.index, df['VZO'], label='VZO', color='red')
axs[3].set_title('Volume Zone Oscillator (VZO)')
axs[3].legend()

# 绘制 CMF
axs[4].plot(df.index, df['CMF'], label='CMF', color='purple')
axs[4].set_title('Chaikin Money Flow (CMF)')
axs[4].legend()

plt.tight_layout()
plt.show()

代码解析：

• 数据下载：使用yfinance库下载股票数据（如S&P 500）。
• 指标计算：分别调用四个函数计算STC、CHOP、VZO和CMF。
• 图表绘制：使用matplotlib绘制五个子图，分别展示收盘价和四个指标。

#算法交易 #技术指标 #STC #CHOP #VZO #CMF #Python #股市分析 #量化交易 #Python编程 #股票技术分析 #量化投资 #金融科技

读到最后，希望这篇文章为您带来了新的启发和实用的知识！如果觉得有帮助，请不吝点赞和分享，您的支持是我持续创作的动力。祝您投资顺利，收益长虹！如果对文中内容有任何疑问，欢迎留言，我会尽快回复！

本文内容仅限技术探讨和学习，不构成任何投资建议。