第2篇 均线——那条股票软件里最常见的线,到底在说什么?

这是「量化从零到实战」系列的第 2 篇。上篇我们聊了量化交易的本质，这篇来学你的第一个量化信号：均线。学完你就能用代码画出均线、看懂金叉死叉，甚至能写出自己的第一个买卖策略。

周一 10.0 元
周二 10.5 元
周三 10.2 元
周四 10.8 元
周五 11.0 元

(10.0 + 10.5 + 10.2 + 10.8 + 11.0) ÷ 5 = 10.5 元

上图：天龙集团2025年日线+MA20。可以清楚看到：股价在线上时（橙色区域），MA20就像「地板」托住价格，每次跌到均线附近就弹回去；股价在线下时（蓝色区域），MA20变成了「天花板」，每次涨到均线附近就被压回来。这就是均线的支撑和压力效应。

上图：天龙集团2025-2026年日线，叠加了MA5/10/20/60/120/250共6条均线，每条颜色不同。可以明显看到：短期均线（MA5红色/MA10橙色）紧贴股价上下跳动，长期均线（MA120蓝色/MA250紫色）走势平缓像慢车道——周期越长，均线越「稳」，对噪音的过滤能力越强。

上图：天龙集团2026年1-4月日线 + MA5（红线）/ MA20（蓝线），4个标记点分别是2次金叉和2次死叉。可以看到金叉后股价确实上涨了一波，但死叉信号明显滞后——等到死叉出现时，利润已经回吐了不少。

import akshare as ak
import pandas as pd

# 获取天龙集团(300063)日K数据
df = ak.stock_zh_a_hist(symbol="300063", period="daily", start_date="20250101", end_date="20260430")
df = df[["日期", "收盘"]].copy()  # 只保留日期和收盘价

df["MA5"]  = df["收盘"].rolling(window=5).mean()    # 5日均线
df["MA10"] = df["收盘"].rolling(window=10).mean()   # 10日均线
df["MA20"] = df["收盘"].rolling(window=20).mean()   # 20日均线
df["MA60"] = df["收盘"].rolling(window=60).mean()   # 60日均线
df["MA120"]= df["收盘"].rolling(window=120).mean()  # 120日均线（半年线）
df["MA250"]= df["收盘"].rolling(window=250).mean()  # 250日均线（年线）

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(12, 6))

ax.plot(df["日期"], df["收盘"], label="收盘价", color="gray", linewidth=1, alpha=0.7)
ax.plot(df["日期"], df["MA5"],   label="MA5（5日线）",   color="red",    linewidth=1.2)
ax.plot(df["日期"], df["MA10"],  label="MA10（10日线）",  color="orange", linewidth=1.2)
ax.plot(df["日期"], df["MA20"],  label="MA20（20日线）",  color="blue",   linewidth=1.5)
ax.plot(df["日期"], df["MA60"],  label="MA60（60日线）",  color="green",  linewidth=1.5)
ax.plot(df["日期"], df["MA120"], label="MA120（半年线）", color="purple", linewidth=1.2, linestyle="--")
ax.plot(df["日期"], df["MA250"], label="MA250（年线）",   color="brown",  linewidth=1.2, linestyle="--")

ax.set_title("天龙集团 收盘价 + 6条均线", fontsize=14)
ax.set_xlabel("日期"); ax.set_ylabel("价格（元）")
ax.legend()
ax.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d'))
plt.xticks(rotation=45); plt.grid(True, alpha=0.3)
plt.tight_layout(); plt.show()

# 标记金叉：MA5 从下方穿过 MA20
df["金叉"] = (df["MA5"] > df["MA20"]) & (df["MA5"].shift(1) <= df["MA20"].shift(1))

# 标记死叉：MA5 从上方穿过 MA20
df["死叉"] = (df["MA5"] < df["MA20"]) & (df["MA5"].shift(1) >= df["MA20"].shift(1))

# 打印结果
golden = df[df["金叉"]][["日期", "收盘", "MA5", "MA20"]]
death = df[df["死叉"]][["日期", "收盘", "MA5", "MA20"]]

print("=== 金叉日期 ===")
print(golden.to_string(index=False))
print("\n=== 死叉日期 ===")
print(death.to_string(index=False))

# EMA 只需要换一个函数
df["EMA12"] = df["收盘"].ewm(span=12).mean()  # 12日指数移动平均

觉得有帮助？点个在看 👍

关注「量化从零到实战」系列 · 每篇一个实用技能