经过前面两章的学习，你现在基本拥有了一个常规股票软件所具有的分析能力！从这一章起，我们通过一些例子来看看如何解锁这些能力。这一章我们将考察一些均线战法的例子。

均线的计算

均线的作用是用来平滑股价的波动。一个充满了太多突变和断点的系统是无法分析的。在上一章里我们讲到计算分时均线的两种方法：

· 对个股，我们使用了其到当前时刻的累积成交额、除于其到当前时刻的累积成交量，这样就得到了从开盘以来，到当前时刻的平均成交价。

· np.cumsum(money)/np.cumsum(volume)

· 这里money、volume都是np.array数组（通过get_bars获得），对它们进行np.cumsum之后，仍然是一个np.array数组；此外两个同维度的np.array数组进行四则运算，得到的结果仍然是与输入相同维度的np.array数组。这是numpy运算的广播特性。当我们运用这个特性来进行大规模的数学运算时，可以得到很好的性能。

· 对指数，由于指数编制方法不同，上述方法不能奏效。因此我们使用了从开盘以来，直到现在所有价格的平均值。这也是同花顺分时均价线的一个算法。 np.cumsum(close)/np.count_nonzero(close > 0)

· 这里close是每分钟收盘价，仍然是一个numpy数组。np.cumsum(close)是求从开盘以来，到每一个元素所在的位置的收盘价的累加。np.count_nonzero(close > 0)实际上是要计算对应被累加的收盘价个数。

在K线图中，我们使用另一种方式来计算均线，即使用移动平均(moving average,简称ma)。与上述方法中，总是使用从开盘以来、到当前为止的所有收盘价代入计算不同，我们在计算ma值时，只使用滑动窗口以内的那些收盘价，因为过早的数据，可能对当下并没有太多意义。

我们仍然使用numpy来计算ma的值。注意，在上一章我们通过get_bars来获取行情数据时，我们推荐改写参数df=False，以返回numpy structured array数据结构的数据。反之，返回的行情数据是pandas.DataFrame的。

这里我们要接触一个科学函数，convolve，即卷积。

这里我们使用了长度为win，每个元素为1/win的卷积核。当我们有其它信号平滑处理要求时，我们可能使用别的卷积核，比如高斯核：

现在我们来尝试求一个日线的ma5:

与行情软件对照，结果一模一样。使用np.convovle的优势在于其速度。假设我们现在要对全市场所有的股票求日线的ma5，这需要多少时间呢？有人曾经使用过talib,因为需要进行循环，所以最后需要好几分钟才能算出来。我们来试一下：

上面的代码中由于我们只关心计算速度，所以我们通过repeat，把已拿到的上证指数的收盘价重复了4000遍，这相当于获取了全市场的收盘价。然后我们直接对这个新的数组（一个有44000维的巨大数组）求移动均值，结果发现，只共只需要89us（使用的2015年的curo i7)。

当然，上面的代码只是为了演示如何进行性能优化，这样计算出来的结果，还必须进行后处理才能使用，因为它把前后相连的两支股票会放在一起计算均值。这里我们使用性能上略慢一点的scipy中的函数：

将结果进行对照，计算完全正确。对4000支股票计算5日均线值，只花了645us。

在代码中我们注意了性能优化，这样就带来了一定的阅读难度，但为了贴近实战，后面大家会发现，实战中对性能要求还是很高的

求直线的斜率

如果你用过通达信软件的公式，就知道它提供了一个名为slope的函数。不过因为帮助文档不够清楚的关系，我一直不知道这个函数应该怎么用。比如，看上去是斜率公式，那它的单位是什么？倾角？还是一次性系数？

但是，相关的概率在短线中还是很有用的。比如，如果一支大涨后的股票进入盘整阶段，当前已接近某均线；此时是否可以买入呢？如果均线有较好的支撑作用，很可能该股马上转入主升；如果均线支撑力度不强，则有可能还会继续下跌。

判断均线支撑力度强弱的标准是什么？这里我们给一个斜率因子。如果均线的斜率越大，则支撑越强。

如果均线在K线图上显示为一条近似直线的话，那么就可以使用一次项拟合来求得其斜率。

得到的斜率是0.73%。这里的斜率意味着每过1天，大盘MA5上涨0.73%，也就是20多个点。这也说明大盘最近相当强势，在过去一年里，有多少天是这样的呢？留给大家作为习题吧，评论区给解答。 当然，如果斜率函数能给出均线与横轴的夹角，那就更直观了。然而，这里有一个误区。均线与横轴的夹角，不光取决于均线走势本身，还取决于我们如何绘制均线。在后面的深度学习章节里，我们会把这些数据图形化，再通过CNN网络来学习，那时候我们再详细讨论这种误区。

均线策略1 - 均线多头排列

假设我们要找出近期刚出现均线多头的股。为了便于演示，我们就找5，10，20均线多头的好了。

结果为真。大家知道，A股在6月底、7月初形成一股主升浪。如果我们早就知道这个方法，并且始终在用程序监控的话，是否也能抓住今年这最大的一波行情呢？

均线策略 - 月线回踩

这是近期一只上涨的股票的月线图，很可能是一只大牛股、慢牛股。

我们看到月均线呈直线上升之势，而且在7月、8月、9月都回踩过均线。如果在回踩均线时介入，真是进可攻、退可守的好棋。现在，我们就使用均线多头加斜率参数来找出这种股。

上面图形中的这只个股，它的月线斜率是0.069，也就是月线的ma5每个月上涨6.9%，这是一个相当好的涨幅，因为这是均线的上涨，实际股价的上涨要比这个高一些，但也还没有到最后的主升浪的疯狂期。在下面的函数中，我们将月线斜率设置为0.04，以便筛选出处在上涨早期的个股。

共产生了110个左右的信号，我在这里选取了16个：

16朵娇艳的玫瑰。我爱她们。她们有的含羞待放，有的艳不可挡，有的丰韵犹存，在大盘的呵护下，或许还能摇曳生姿直到这个深秋。

这些股票最好的买入点，是等它回到5月均线的那一天。也许你没有耐心每天对着100多支股票去检查有没有到5月均线，没关系，我们即将推出一个智能监控工具，现在提供首批25名免费名额，欢迎预约！

结束语

好了。这一章的主要内容就到这里。你或许已经注意到，我们没有提及任何经典的指标，比如macd,kdj,rsi,bolling band等等。这些指标属于历史，也不属于这里的股市。在序言那一章里，我们已或多或少谈起过这个话题。但是，如果你特别好奇的话，你可以使用talib库。这是一个c++的库，有python的接口，它提供了几乎所有经典指标的计算，而且几乎绝对正确（这一点是非常重要的！）。然而，在我们的教程中，我们几乎都使用numpy，scipy，它们与python集成更好，而且能提供更好的性能。

即使只以我们现在介绍的内容，就足以发现打开财富大门的钥匙。如果你对照本文反复练习，你就会相信这一点。当然，这里还存在一些交易技巧和看盘技巧没有讲，需要你自己去琢磨。请关注本号吧，随着我们进入到机器学习和深度学习的部分，你还会掌握更加高级、丰富和稳健的策略！为了方便大家系统跟学本教程，我们在底部菜单的 AI量化交易 菜单栏下提供了全文的目录。