用matplotlib和pandas繪製股票MACD指標圖，並驗證化交易策略

我的新書《基於股票大數據分析的Python入門實戰》於近日上架，在這篇博文向大家介紹我的新書：《基於股票大數據分析的Python入門實戰》裏，介紹了這本書的內容。這裏將摘錄出部分內容，用以推廣本書，請大家多多支持。

1 MACD指標的計算方式

從數學角度來分析，MACD指標是根據均線的構造原理，對股票收盤價進行平滑處理，計算出算術平均值以後再進行二次計算，它是屬於趨向類指標。

MACD指標是由三部分構成的，分別是：DIF（離差值，也叫差離值）、DEA（離差值平均）和BAR（柱狀線）。

具體的計算過程是，首先算出快速移動平均線（EMA1）和慢速移動平均線（EMA2），用這兩個數值來測量兩者間的差離值（DIF），在此基礎上再計算差離值（DIF）N週期的平滑移動平均線DEA（也叫MACD、DEM）線。

如前文所述，EMA1週期參數一般取12日，EMA2一般取26日，而DIF一般取9日，在此基礎上，MACD指標的計算步驟如下所示。

第一步：計算移動平均值（即EMA）。

12日EMA1的計算方式是：EMA（12）= 前一日EMA（12）× 11/13 ＋今日收盤價 × 2/13

26日EMA2的計算方式是：EMA（26）= 前一日EMA（26）× 25/27 ＋今日收盤價 ×2 /27

第二步：計算MACD指標中的差離值（即DIF）。

DIF = 今日EMA（12）－今日EMA（26）

第三步：計算差離值的9日EMA（即MACD指標中的DEA）。用差離值計算它的9日EMA，這個值就是差離平均值（DEA）。

今日DEA（MACD）= 前一日DEA × 8/10 ＋今日DIF × 2/10

第四步：計算BAR柱狀線。

BAR = 2 × (DIF － DEA)

這裏乘以2的原因是，在不影響趨勢的情況下，從數值上擴大DIF和DEA差值，這樣觀察效果就更加明顯。

最後，把各點（即每個交易日）的DIF值和DEA值連接起來，就能得到在x軸上下移動的兩條線，分別表示短期（即快速，EMA1，週期是12天）和長期（即慢速，EMA2，週期是26天）。而且，DIF和DEA的離差值能構成紅、綠兩種顏色的柱狀線，在x軸之上是紅色，而x軸之下是綠色。

2 遍歷數據表數據，繪製MACD指標

同K線指標一樣，根據不同的計算週期， MACD指標也可以分爲日指標、周指標、月指標乃至年指標。在下面的DrawMACD.py範例程序中將繪製日MACD指標，在這個範例程序中可以看到關於數據結構、圖形繪製和數據庫相關的操作，由於程序代碼比較長，下面分段講解。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    # 第一個參數是數據，第二個參數是週期
8    def calEMA(df, term):
9        for i in range(len(df)):
10           if i==0: # 第一天
11               df.ix[i,'EMA']=df.ix[i,'close']
12           if i>0:
13              df.ix[i,'EMA']=(term-1)/(term+1)*df.ix[i-1,'EMA']+2/(term+1) * df.ix[i,'close']
14       EMAList=list(df['EMA'])
15       return EMAList

在第8行到第15行的calEMA方法中，根據第二個參數term，計算快速（週期是12天）和慢速（週期是26天）的EMA值。

具體步驟是，通過第9行的for循環，遍歷由第一個參數指定的DataFrame類型的df對象，根據第10行的if條件中，如果是第一天，則EMA值用當天的收盤價，如果滿足第12行的條件，即不是第一天，則在第13行中根據8.3.1節的算法，計算當天的EMA值。

請注意，在第11行和第13行中是通過df.ix的形式訪問索引行（比如第i行）和指定標籤列（比如EMA列）的數值，ix方法與之前loc以及iloc方法不同的是，ix方法可以通過索引值和標籤值訪問，而loc以及iloc方法只能通過索引值來訪問。計算完成後，在第14行把df的EMA列轉換成列表類型的對象並在第15行返回。

16   # 定義計算MACD的方法
17   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
18       shortEMA = calEMA(df, shortTerm)
19       longEMA = calEMA(df, longTerm)
20       df['DIF'] = pd.Series(shortEMA) - pd.Series(longEMA)
21       for i in range(len(df)):
22           if i==0:         # 第一天
23               df.ix[i,'DEA'] = df.ix[i,'DIF']  # ix可以通過標籤名和索引來獲取數據
24           if i>0:
25                 df.ix[i,'DEA'] = (DIFTerm-1)/(DIFTerm+1)*df.ix[i-1,'DEA'] + 2/(DIFTerm+1)*df.ix[i,'DIF']
26       df['MACD'] = 2*(df['DIF'] - df['DEA'])
27       return df[['date','DIF','DEA','MACD']]
28       # return df

在第15行到第27行定義的calMACD方法中，將調用第8行定義的calEMA方法來計算MACD的值。具體步驟是，在第18行和第19行通過調用calEMA方法，分別得到了快速和慢速的EMA值，在第20行，用這兩個值計算DIF值。請注意，shortEMA和longEMA都是列表類型，所以可以像第20行那樣，通過調用pd.Series方法把它們轉換成Series類對象後再直接計算差值。

從第21行到第25行的程序語句，也是根據8.3.1節給出的公式計算DEA值，同樣要用兩條if語句區分“第一天”和“以後幾天”這兩種情況，在第26行根據計算公式算出MACD的值。

第27行返回指定的列，在後面的代碼中還要用到df對象的其他列，此時則可以用如第28行所示的代碼返回df的全部列。

29   try:
30       # 打開數據庫連接
31       db = pymysql.connect("localhost","root","123456","pythonStock" )
32   except:
33       print('Error when Connecting to DB.')
34       sys.exit()
35   cursor = db.cursor()
36   cursor.execute("select * from stock_600895")
37   cols = cursor.description        # 返回列名
38   heads = []
39   # 依次把每個cols元素中的第一個值放入col數組
40   for index in cols:
41       heads.append(index[0])
42   result = cursor.fetchall()
43   df = pd.DataFrame(list(result))
44   df.columns=heads
45   # print(calMACD(df, 12, 26, 9)) # 輸出結果
46   stockDataFrame = calMACD(df, 12, 26, 9)

從第29行到第35行的程序語句，建立了MySQL數據庫的連接和獲得遊標cursor對象，在第36行中，通過select類型的SQL語句，來獲取stock_600895表中的所有數據，如8.2節所述，這個數據表中的數據源自雅虎網站。

在第37行中，得到了stock_600895數據表的字段列表。在第40行和第41行的for循環中，把字段列表中的第0行索引元素放入了heads。在第42行和第43行，把從stock_600895數據表中獲取的數據放入到df對象。在第44行的程序語句，把包含數據表字段列表的heads對象賦值給df對象的字段。

執行到這裏，如果去掉第45行打印語句的註解，就能看到第一列輸出的是字段名列表，之後會按天輸出與MACD有關的股票指標數據。

在第46行調用了calMACD方法，並把結果賦值給stockDataFrame對象，之後就可以根據stockDataFrame對象中的值開始繪圖。

47   # 開始繪圖
48   plt.figure()
49   stockDataFrame['DEA'].plot(color="red",label='DEA')
50   stockDataFrame['DIF'].plot(color="blue",label='DIF')
51   plt.legend(loc='best')    # 繪製圖例
52   # 設置MACD柱狀圖
53   for index, row in stockDataFrame.iterrows():
54       if(row['MACD'] >0):   # 大於0則用紅色
55           plt.bar(row['date'], row['MACD'],width=0.5, color='red')
56       else:                               # 小於等於0則用綠色
57           plt.bar(row['date'], row['MACD'],width=0.5, color='green')
58   # 設置x軸座標的標籤和旋轉角度
59   major_index=stockDataFrame.index[stockDataFrame.index%10==0]
60   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
61   plt.xticks(major_index,major_xtics)
62   plt.setp(plt.gca().get_xticklabels(), rotation=30)
63   # 帶網格線，且設置了網格樣式
64   plt.grid(linestyle='-.')
65   plt.title("600895張江高科的MACD圖")
66   plt.rcParams['axes.unicode_minus'] = False
67   plt.rcParams['font.sans-serif']=['SimHei']
68   plt.show()

在第49和第50行中通過調用plot方法，以折線的形式繪製出DEA和DIF兩根線，在第51行中設置了圖例。

在第53行到第57行的for循環中，以柱狀圖的形式依次繪製了每天的MACD值的柱狀線，這裏用第54行和第56行的if…else語句進行區分，如果row['MACD']大於0，則MACD柱是紅色，反之是綠色。

從第59行到第61行的程序語句設置了x軸的標籤，如果顯示每天的日期，那麼x軸上的文字會過於密集，所以在第59行和第60行進行相應的處理，只顯示stockDataFrame.index%10==0（即索引值是10的倍數）的日期。

在第62行設置了x軸文字的旋轉角度，在第64行設置了網格的式樣，在第65行設置了標題文字，最後在第68行通過調用show方法繪製了整個圖形。

請注意，如果不編寫第66行的程序語句，那麼y軸標籤值裏的負號就不會顯示，這樣顯示結果就不正確了。讀者可以把這條語句註釋掉後，再運行一下，看看結果如何。

至此，我們實現了計算並繪製MACD指標線的功能，讀者應該掌握瞭如何獲得指定股票在指定時間段內的交易數據，而後可以稍微改寫上述的範例程序，繪製出其他股票在指定時間範圍內的MACD走勢圖。

3 MACD與K線均線的整合效果圖

MACD是趨勢類指標，如果把它與K線和均線整合到一起的話，就能更好地看出股票走勢的“趨勢性”。在下面的DrawKwithMACD.py範例程序中示範了整合它們的效果，由於程序代碼比較長，因而在下面的分析中略去了一些之前分析過的重複代碼，讀者可以從本書提供下載的範例程序中看到完整的代碼。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    from mpl_finance import candlestick2_ochl
8    from matplotlib.ticker import MultipleLocator
9    # 計算EMA的方法，第一個參數是數據，第二個參數是週期
10   def calEMA(df, term):
11       # 省略具體實現，請參考本書提供下載的完整範例程序
12   # 定義計算MACD的方法
13   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
14       # 省略中間的計算過程，請參考本書提供下載的完整範例程序
15       return df

從第3行到第8行的程序語句通過import語句導入了必要的依賴包，第10行定義的calEMA方法和DrawMACD.py範例程序中的完全一致，所以就省略了該方法內部的代碼。第13行定義計算MACD的calMACD方法和DrawMACD.py範例程序中的同名方法也完全一致，但在最後的第15行，是通過return語句返回整個df對象，而不是返回僅僅包含MACD指標的相關列，這是因爲，在後文中需要股票的開盤價等數值來繪製K線圖。

16   try:
17       # 打開數據庫連接
18       db = pymysql.connect("localhost","root","123456","pythonStock" )
19   except:
20       print('Error when Connecting to DB.')
21       sys.exit()
22   cursor = db.cursor()
23   cursor.execute("select * from stock_600895")
24   cols = cursor.description        # 返回列名
25   heads = []
26   # 依次把每個cols元素中的第一個值放入col數組
27   for index in cols:
28       heads.append(index[0])
29   result = cursor.fetchall()
30   df = pd.DataFrame(list(result))
31   df.columns=heads
32   # print(calMACD(df, 12, 26, 9)) # 輸出結果
33   stockDataFrame = calMACD(df, 12, 26, 9)

從第16行到第33行的程序語句把需要的數據放入了stockDataFrame這個DataFrame類型的對象中，之後就可以根據其中的數據畫圖了，這段程序代碼之前分析過，就不再重複講述了。

34   # 開始繪圖，設置大小，共享x座標軸
35   figure,(axPrice, axMACD) = plt.subplots(2, sharex=True, figsize=(15,8))
36   # 調用方法繪製K線圖
37   candlestick2_ochl(ax = axPrice, opens=stockDataFrame["open"].values, closes = stockDataFrame["close"].values, highs=stockDataFrame["high"].values,  lows = stockDataFrame["low"].values, width=0.75, colorup='red', colordown='green')
38   axPrice.set_title("600895張江高科K線圖和均線圖")   # 設置子圖的標題
39   stockDataFrame['close'].rolling(window=3).mean().plot(ax=axPrice,color="red",label='3日均線')
40   stockDataFrame['close'].rolling(window=5).mean().plot(ax=axPrice,color="blue",label='5日均線')
41   stockDataFrame['close'].rolling(window=10).mean().plot(ax=axPrice,color="green",label='10日均線')
42   axPrice.legend(loc='best')       # 繪製圖例
43   axPrice.set_ylabel("價格（單位：元）")
44   axPrice.grid(linestyle='-.')     # 帶網格線

從第34行到第44行的程序語句繪製了指定時間範圍內“張江高科”股票的K線圖和均線，這部分代碼和第7章drawKMAAndVol.py範例程序中實現同類功能的代碼很相似，有差別的是在第35行，第二個子圖的名字設置爲“axMACD”，在第44行中通過linestyle設置了網格線的樣式。

45   # 開始繪製第二個子圖
46   stockDataFrame['DEA'].plot(ax=axMACD,color="red",label='DEA')
47   stockDataFrame['DIF'].plot(ax=axMACD,color="blue",label='DIF')
48   plt.legend(loc='best')    # 繪製圖例
49   # 設置第二個子圖中的MACD柱狀圖
50   for index, row in stockDataFrame.iterrows():
51       if(row['MACD'] >0):   # 大於0則用紅色
52           axMACD.bar(row['date'], row['MACD'],width=0.5, color='red')
53       else:                               # 小於等於0則用綠色
54           axMACD.bar(row['date'], row['MACD'],width=0.5, color='green')
55   axMACD.set_title("600895張江高科MACD")   # 設置子圖的標題
56   axMACD.grid(linestyle='-.')                # 帶網格線
57   # xmajorLocator = MultipleLocator(10)    # 將x軸的主刻度設置爲10的倍數
58   # axMACD.xaxis.set_major_locator(xmajorLocator)
59   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
60   axMACD.set_xticks(major_xtics)
61   # 旋轉x軸顯示文字的角度
62   for xtick in axMACD.get_xticklabels():
63       xtick.set_rotation(30)
64   plt.rcParams['font.sans-serif']=['SimHei']
65   plt.rcParams['axes.unicode_minus'] = False
66   plt.show()

在上述程序代碼中，在axMACD子圖內繪製了MACD線，由於是在子圖內繪製，因此在第46行和第47行繪製DEA和DIF折線的時候，需要在參數裏通過“ax=axMACD”的形式指定所在的子圖。

在第59行和第60行中設置了axMACD子圖中的x軸標籤，由於在第35行中設置了axPrice和axMACD兩子圖是共享x軸，因此K線和均線所在子圖的x軸刻度會和MACD子圖中的一樣。因爲是在子圖中，所以需要通過第62行和第63行的for循環依次旋轉x軸座標的標籤文字。

在這段代碼中其實給出了兩種設置x軸標籤的方式。如果註釋掉第59行和第60行的代碼，並去掉第57行和第58行的註釋，會發現效果是相同的。

需要說明的是，雖然在第57行和第59行的代碼中並沒有指定標籤文字，但在第37行調用candlestick2_ochl方法繪製K線圖時，會設置x軸的標籤文字，所以依然能看到x軸上日期的標籤。運行這個範例程序後，結果如圖所示。

4 MACD指標的指導意義

根據MACD各項指標的含義，可以通過DIF和DEA兩者的值、DIF和DEA指標的交叉情況（比如金叉或死叉）以及BAR柱狀圖的長短與收縮的情況來判斷當前股票的趨勢。

如下兩點是根據DIF和DEA的數值情況以及它們在x軸上下的位置來確定股票的買賣策略。

第一，當DIF和DEA兩者的值均大於0（在x軸之上）並向上移動時，一般表示當前處於多頭行情中，建議可以買入。反之，當兩者的值均小於0且向下移動時，一般表示處於空頭行情中，建議賣出或觀望。

第二，當DIF和DEA的值均大於0但都在向下移動時，一般表示爲上漲趨勢即將結束，建議可以賣出股票或觀望。同理，當兩者的值均小於0，但在向上移動時，一般表示股票將上漲，建議可以持續關注或買進。

如下四點是根據DIF和DEA的交叉情況來決定買賣策略。

第一，DIF與DEA都大於0而且DIF向上突破DEA時，說明當前處於強勢階段，股價再次上漲的可能性比較大，建議可以買進，這就是所謂MACD指標黃金交叉，也叫金叉。

第二，DIF與DEA都小於0，但此時DIF向上突破DEA時，表明股市雖然當前可能仍然處於跌勢，但即將轉強，建議可以開始買進股票或者重點關注，這也是MACD金叉的一種形式。

第三，DIF與DEA雖然都大於0，但而DIF卻向下突破DEA時，這說明當前有可能從強勢轉變成弱勢，股價有可能會跌，此時建議看機會就賣出，這就是所謂MACD指標的死亡交叉，也叫死叉。

第四，DIF和DEA都小於0，在這種情況下又發生了DIF向下突破DEA的情況，這說明可能進入下一階段的弱勢中，股價有可能繼續下跌，此時建議賣出股票或觀望，這也是MACD死叉的一種形式。

如下兩點是根據MACD中BAR柱狀圖的情況來決定買賣策略。

第一，紅柱持續放大，這說明當前處於多頭行情中，此時建議買入股票，直到紅柱無法再進一步放大時才考慮賣出。相反，如果綠柱持續放大，這說明當前處於空頭行情中，股價有可能繼續下跌，此時觀望或賣出，直到綠柱開始縮小時才能考慮買入。

第二，當紅柱逐漸消失而綠柱逐漸出現時，這表明當前的上漲趨勢即將結束，有可能開始加速下跌，這時建議可以賣出股票或者觀望。反之，當綠柱逐漸消失而紅柱開始出現時，這說明下跌行情即將或已經結束，有可能開始加速上漲，此時可以開始買入。

雖然說MACD指標對趨勢的分析有一定的指導意義，但它同時也存在一定的盲點。

比如，當沒有形成明顯的上漲或下跌趨勢時（即在盤整階段），DIF和DEA這兩個指標會頻繁地出現金叉和死叉的情況，這時由於沒有形成趨勢，因此金叉和死叉的指導意義並不明顯。

又如，MACD指標是對趨勢而言的，從中無法看出未來時間段內價格上漲和下跌的幅度。比如在圖8-11中，股票“張江高科”在價格高位時，DIF的指標在2左右，但有些股票在高位時，DIF的指標甚至會超過5。

也就是說，無法根據DIF和DEA數值的大小來判斷股價會不會進一步漲或進一步跌。有時看似DIF和DEA到達一個高位，但如果當前上漲趨勢強勁，股價會繼續上漲，同時這兩個指標會進一步上升，反之亦然。

因此，在實際使用中，投資者可以用MACD指標結合其他技術指標，比如之前提到的均線，從而能對買賣信號進行多重確認。

5 驗證基於柱狀圖和金叉的買點

在CalBuyPointByMACD.py範例程序中將根據如下原則來驗證買點：DIF向上突破DEA（出現金叉），且柱狀圖在x軸上方（即當前是紅柱狀態）。

在這個範例程序中，用的是股票“金石資源（代碼爲603505）從2018年9月到2019年5月的交易數據，程序代碼如下。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # 第一個參數是數據，第二個參數是週期
7    def calEMA(df, term):
8      # 省略方法內的代碼，請參考本書提供下載的完整範例程序
9    # 定義計算MACD的方法
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略中間計算過程的代碼，最後返回的是df，請參考本書提供下載的完整範例程序
12       return df

上述代碼的calEMA和calMACD方法和8.3.4節的範例程序中的代碼完全一致，所以就不再重複講述了。

13	def getMACDByCode(code):
14	    try:
15	        # 打開數據庫連接
16	        db = pymysql.connect("localhost","root","123456","pythonStock" )
17	    except:
18	        print('Error when Connecting to DB.')
19	        sys.exit()  
20	    cursor = db.cursor()
21	    cursor.execute('select * from stock_'+code)
22	    cols = cursor.description  	# 返回列名
23	    heads = []
24	    # 依次把每個cols元素中的第一個值放入col數組
25	    for index in cols:
26	        heads.append(index[0])
27	    result = cursor.fetchall()
28	    df = pd.DataFrame(list(result))
29	    df.columns=heads
30	    stockDataFrame = calMACD(df, 12, 26, 9)
31	    return stockDataFrame

第13行開始的getMACDByCode方法中包含了從數據表中獲取的股票交易數據並返回MACD指標的代碼，這部分程序代碼與之前DrawKwithMACD.py範例程序中的程序也非常相似，只不過在第21行中是根據股票代碼來動態地拼接select語句。該方法在第31行中返回包含MACD指標的stockDataFrame對象。

32	# print(getMACDByCode('603505')) 	# 可去除這條語句的註解以確認數據
33	stockDf = getMACDByCode('603505')
34	cnt=0
35	while cnt<=len(stockDf)-1:
36	    if(cnt>=30):		# 前幾天有誤差，從第30天算起
37	        try:
38	            # 規則1：這天DIF值上穿DEA
39	            if stockDf.iloc[cnt]['DIF']>stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']<stockDf.iloc[cnt-1]['DEA']:
40	                #規則2：出現紅柱，即MACD值大於0
41	                if stockDf.iloc[cnt]['MACD']>0:
42	                    print("Buy Point by MACD on:" + stockDf.iloc[cnt]['date'])
43	        except:
44	            pass
45	    cnt=cnt+1

如果去掉第32行打印語句的註釋，執行後就能確認數據。在第35行到第45行的while循環中，依次遍歷了每個交易日的數據。有數據計算的誤差，所以在這個範例程序中通過第36行的if語句排除了剛開始29天的數據，從第30天算起。

在第39行的if條件語句中制定了第一個規則，前一個交易日的DIF小於DEA，而且當天DIF大於DEA，即出現上穿金叉的現象。在第41行的if條件語句中制定了第二個規則，即出現金叉的當日，MACD指標需要大於0，即當前BAR柱是紅柱狀態。運行這個範例程序之後，就能看到如下輸出的買點。

Buy Point by MACD on:2018-10-31

Buy Point by MACD on:2019-01-09

Buy Point by MACD on:2019-03-18

Buy Point by MACD on:2019-04-04

Buy Point by MACD on:2019-04-19

下面改寫一下之前的範例程序，把股票代碼改成603505，把股票名稱改爲“金石資源”，運行後即可看到如圖所示的結果圖。

根據圖中的價格走勢，在表中列出了各買點的確認情況。

表基於MACD得到的買點情況確認表

買點	對買點的分析	正確性
2018-10-31	該日出現DIF金叉，且Bar已經在紅柱狀態，後市有漲。	正確
2019-01-09	該日出現DIF金叉，且Bar柱開始逐漸變紅，後市有漲。	正確
2019-03-18	該日雖然出現金叉，Bar柱也開始變紅，但之後幾天Bar交替出現紅柱和綠柱情況，後市在下跌後，出現上漲情況。	不明確
2019-04-04	該日在出現金叉的同時，Bar柱由綠轉紅。但之後若干交易日後出現死叉，且Bar柱又轉綠，後市下跌。	不正確
2019-04-19	出現金叉，且Bar柱由綠柱一下子變很長，後市有漲。	正確

根據這個範例程序的運行結果，可以得到的結論是：通過MACD指標的確能算出買點，但之前也說過，MACD有盲點，在盤整階段，趨勢沒有形成時，此時金叉的指導意義就不是很明顯，甚至是錯誤的。

6 驗證基於柱狀圖和死叉的賣點

參考MACD指標，與8.4.2節描述的情況相反，如果出現如下情況，則可以賣出股票：DIF向下突破DEA（出現死叉），且柱狀圖向下運動（紅柱縮小或綠柱變長）。下面通過股票“士蘭微”（代碼爲600460）從2018年9月到2019年5月的交易數據來驗證賣點。

先來做如下的準備工作：在MySQL的pythonStock數據庫中創建stock_600460數據表，在之前介紹的InsertDataFromYahoo.py範例程序中，把股票代碼改爲600460，運行後即可在stock_600460數據表中看到指定時間範圍內的交易數據。

驗證MACD指標賣點的CalSellPointByMACD.py範例程序與之前CalBuyPointByMACD.py範例程序很相似，下面只分析不同的程序代碼部分。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # calEMA方法中的代碼沒有變
7    def calEMA(df, term):
8        # 省略方法內的程序代碼，請參考本書提供下載的完整範例程序
9    # 定義計算MACD的方法內的程序代碼也沒有變
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略方法內的程序代碼，請參考本書提供下載的完整範例程序
12   def getMACDByCode(code):
13       # 和CalBuyPointByMACD.py範例程序中的程序代碼一致
14   stockDf = getMACDByCode('600460')
15   cnt=0
16   while cnt<=len(stockDf)-1:
17       if(cnt>=30):         # 前幾天有誤差，從第30天算起
18           try:
19               # 規則1：這天DIF值下穿DEA
20               if stockDf.iloc[cnt]['DIF']<stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']>stockDf.iloc[cnt-1]['DEA']:
21                   # 規則2：Bar柱是否向下運動
22                   if stockDf.iloc[cnt]['MACD']<stockDf.iloc[cnt-1]['MACD']:
23                       print("Sell Point by MACD on:" + stockDf.iloc[cnt]['date'])
24           except:
25               pass
26       cnt=cnt+1

上述代碼中的calEMA、calMACD和getMACDByCode三個方法和CalBuyPointByMACD.py範例程序中的代碼完全一致，所以本節僅僅是給出了這些方法的定義，不再重複講述了。

在第14行中通過調用getMACDByCode方法，獲取了600460（士蘭微）的交易數據，其中包含了MACD指標數據。在第16行到第26行的while循環中通過遍歷stockDf對象，計算賣點。

具體的步驟是，通過第17行的if條件語句排除了誤差比較大的數據，隨後通過第20行的if語句判斷當天是否出現了DIF死叉的情況，即前一個交易日的DIF比DEA大，但當前交易日DIF比DEA小。

當滿足這個條件時，再通過第22行的if語句判斷當天的Bar柱數值是否小於前一天的，即判斷Bar柱是否在向下運動。當滿足這兩個條件時，通過第23行的代碼輸出建議賣出股票的日期。運行這個範例程序代碼後，可看到如下輸出的賣點。

Sell Point by MACD on:2018-10-11

Sell Point by MACD on:2018-11-29

Sell Point by MACD on:2018-12-06

Sell Point by MACD on:2019-02-28

Sell Point by MACD on:2019-04-04

再修改前文提到的DrawKwithMACD.py範例程序，把股票代碼改爲600460，把股票名稱改成“士蘭微”，運行後即可看到如圖所示的結果圖。

圖股票“士蘭微”的K線、均線整合MACD的走勢圖

再根據價格走勢，在表中列出了各賣點的確認情況。

表基於MACD得到的賣點情況確認表

賣點	對賣點的分析	正確性
2018-10-11	1. 該日出現DIF死叉，且DIF和DEA均在x軸下方，Bar由紅轉綠，且綠柱持續擴大。 2. 雖然能驗證該點附近處於弱勢，但由於此點已經處於弱勢，所以後市價位跌幅不大。	不明確
2018-11-29	1. 在DIF和DEA上行過程中出現死叉。 2. Bar柱從紅轉綠，後市股價有一定幅度的下跌。	正確
2018-12-06	在11月29日的賣點基礎上，再次出現死叉，且Bar柱沒有向上運動的趨勢，所以進一步確認了弱勢行情，果然後市股價有一定幅度的下跌。	正確
2019-02-28	1. 雖然出現死叉，但前後幾天DIF和DEA均在向上運動。這說明強勢並沒有結束。 2. Bar柱雖然變綠，但變綠的幅度非常小。 3. 後市價格不是下跌，而是上漲了。	不正確
2019-04-04	1. DIF和DEA在x軸上方出現死叉，說明強勢行情有可能即將結束。 2. Bar柱由紅開始轉綠。 3. 後市價位出現一波短暫反彈，這可以理解成強勢的結束，之後出現下跌，且下跌幅度不小。	正確