案例 1：MACD 交易策略¶
策略類型： 技術指標架構 - 雙線交叉
交易標的： 台積電（2330）
調倉頻率： 訊號觸發時（不定期）
回測期間： 2018-12-30 ~ 2023-05-26
📌 策略概述¶
MACD（Moving Average Convergence Divergence，指數平滑異同移動平均線）是最經典的技術指標之一，由 Gerald Appel 於 1970 年代發明。
核心理念¶
"Follow the trend, but wait for confirmation."
跟隨趨勢，但等待確認訊號。
MACD 利用兩條不同速度的 指數移動平均線（EMA） 的差距變化，來判斷股價走勢的動能和方向。
策略特色¶
- 雙重確認機制：DIF 與 MACD 交叉 + 柱狀圖由負轉正
- 趨勢跟隨：適合有明顯趨勢的市場
- 滯後指標：避免追高殺低，等待趨勢確立
- 簡單有效：邏輯清晰，實務廣泛應用
🎯 MACD 指標詳解¶
計算公式¶
Step 1: 計算快線 EMA 與慢線 EMA
EMA(12) = (前一日 EMA(12) × 11 + 今日收盤價 × 2) ÷ 13
EMA(26) = (前一日 EMA(26) × 25 + 今日收盤價 × 2) ÷ 27
Step 2: 計算差離值 DIF
DIF = EMA(12) - EMA(26)
Step 3: 計算 MACD 線（DIF 的 9 日 EMA）
MACD = (前一日 MACD × 8 + DIF × 2) ÷ 10
Step 4: 計算柱狀圖（BAR）
BAR = DIF - MACD
參數說明： - 12：短期 EMA（快線） - 26：長期 EMA（慢線） - 9：DIF 的平滑週期
訊號解讀¶
graph LR
A[MACD 指標] --> B{DIF vs MACD}
B -->|DIF > MACD| C[多頭訊號]
B -->|DIF < MACD| D[空頭訊號]
C --> E{柱狀圖}
D --> F{柱狀圖}
E -->|由負轉正| G[✅ 黃金交叉<br/>強烈買入訊號]
E -->|持續為正| H[持有]
F -->|由正轉負| I[❌ 死亡交叉<br/>強烈賣出訊號]
F -->|持續為負| J[觀望]
style G fill:#c8e6c9,stroke:#388e3c,stroke-width:3px
style I fill:#ffcdd2,stroke:#c62828,stroke-width:3px🔍 交易邏輯詳解¶
買入訊號（黃金交叉）¶
條件（必須同時滿足）：
- DIF 由下往上穿越 MACD（
dif[-2] < macd[-2]且dif[-1] > macd[-1]） - 柱狀圖由負轉正（
bar[-2] < 0且bar[-1] > 0） - 目前無持倉（
context.invested == False）
意義：
- DIF > MACD：短期動能強於長期動能（趨勢向上）
- 柱狀圖轉正：確認訊號強度
- 雙重確認：降低假訊號
# 買入邏輯
if (dif[-2] < macd[-2]) and (dif[-1] > macd[-1]) and \
(bar[-2] < 0) and (bar[-1] > 0) and \
not context.invested:
order_target(context.sym, 1000) # 買入 1000 股
context.invested = True
賣出訊號（死亡交叉）¶
條件（必須同時滿足）：
1. DIF 由上往下穿越 MACD（dif[-2] > macd[-2] 且 dif[-1] < macd[-1]）
2. 柱狀圖由正轉負（bar[-2] > 0 且 bar[-1] < 0）
3. 目前有持倉（context.invested == True）
意義： - DIF < MACD：短期動能轉弱（趨勢反轉） - 柱狀圖轉負：確認趨勢改變 - 及時出場：保護獲利
# 賣出邏輯
if (dif[-2] > macd[-2]) and (dif[-1] < macd[-1]) and \
(bar[-2] > 0) and (bar[-1] < 0) and \
context.invested:
order_target(context.sym, 0) # 清空部位
context.invested = False
💻 完整程式碼¶
開始前若尚未下載talib記得獨立一個cell執行以下程式碼
# ====================================
# MACD 交易策略 - 完整實作
# ====================================
import os
import pandas as pd
import numpy as np
import talib
import matplotlib.pyplot as plt
# ====================================
# TEJ API 設定
# ====================================
os.environ['TEJAPI_BASE'] = 'https://api.tej.com.tw'
os.environ['TEJAPI_KEY'] = 'your_key'
# ====================================
# 參數設定
# ====================================
start_date = '2018-12-30'
end_date = '2023-05-26'
ticker = '2330' # 台積電
# 設定環境變數
os.environ['mdate'] = f'{start_date} {end_date}'
os.environ['ticker'] = ticker
# ====================================
# 執行資料匯入 (Ingest)
# ====================================
from zipline.data.run_ingest import simple_ingest
print(f"開始匯入資料：{ticker_list}")
print(f"期間：{start_date} ~ {end_date}")
simple_ingest(
name='tquant', # Bundle 名稱
tickers=ticker, # 股票清單 (必須是 List)
start_date=start_date.replace('-', ''), # 格式通常建議 YYYYMMDD
end_date=end_date.replace('-', '')
)
print("資料匯入完成！")
# ====================================
# 策略函數定義
# ====================================
from zipline.api import (
set_slippage, set_commission, symbol,
record, order_target, order_value, set_benchmark
)
from zipline.finance import commission, slippage
def initialize(context):
"""
初始化函數
設定：
1. 交易成本
2. 策略變數
3. 基準指數
"""
# 交易成本設定
context.set_commission(commission.PerDollar(cost=0.001425))
context.set_slippage(slippage.VolumeShareSlippage())
context.set_benchmark(symbol('ticker'))
# 策略變數
context.sym = symbol(ticker)
context.i = 0
context.invested = False
def handle_data(context, data):
"""
每日執行函數
流程：
1. 抓取過去 35 天 K 線（26+9）
2. 計算 MACD 指標
3. 判斷交叉訊號
4. 執行交易
"""
# ========================================
# Step 1: 抓取歷史資料
# ========================================
trailing_window = data.history(
context.sym,
'price',
35, # MACD(12,26,9) 需要 26+9=35 天
'1d'
)
# 檢查資料完整性
if trailing_window.isnull().values.any():
return
# ========================================
# Step 2: 計算 MACD 指標
# ========================================
# 快線 EMA(12)
short_ema = talib.EMA(trailing_window.values, timeperiod=12)
# 慢線 EMA(26)
long_ema = talib.EMA(trailing_window.values, timeperiod=26)
# DIF = 快線 - 慢線
dif = short_ema - long_ema
# MACD = DIF 的 9 日 EMA
MACD = talib.EMA(dif, timeperiod=9)
# 柱狀圖 = DIF - MACD
bar = dif - MACD
# ========================================
# Step 3: 訊號判斷
# ========================================
buy = False
sell = False
# 買入訊號：黃金交叉
if (dif[-2] < MACD[-2]) and (dif[-1] > MACD[-1]) and \
(bar[-2] < 0) and (bar[-1] > 0):
if not context.invested:
buy = True
# 賣出訊號：死亡交叉
elif (dif[-2] > MACD[-2]) and (dif[-1] < MACD[-1]) and \
(bar[-2] > 0) and (bar[-1] < 0):
if context.invested:
sell = True
# ========================================
# Step 4: 執行交易
# ========================================
if buy:
order_target(context.sym, 1000)
context.invested = True
print(f"[{data.current_dt.date()}] 黃金交叉 - 買入")
print(f" DIF: {dif[-1]:.2f}, MACD: {MACD[-1]:.2f}, BAR: {bar[-1]:.2f}")
elif sell:
order_target(context.sym, 0)
context.invested = False
print(f"[{data.current_dt.date()}] 死亡交叉 - 賣出")
print(f" DIF: {dif[-1]:.2f}, MACD: {MACD[-1]:.2f}, BAR: {bar[-1]:.2f}")
# ========================================
# Step 5: 記錄變數
# ========================================
record(
TSMC=data.current(symbol(ticker), 'close'),
dif=dif[-1],
MACD=MACD[-1],
bar=bar[-1],
buy=buy,
sell=sell
)
context.i += 1
def analyze(context, results):
"""
績效分析與視覺化
"""
import matplotlib.pyplot as plt
fig = plt.figure(figsize=(18, 12))
# ========================================
# 上圖：投資組合價值
# ========================================
ax1 = fig.add_subplot(311)
results['portfolio_value'].plot(ax=ax1, linewidth=2)
ax1.set_ylabel('Portfolio Value (TWD)', fontsize=12)
ax1.set_title('MACD Strategy - Portfolio Performance', fontsize=14, fontweight='bold')
ax1.grid(True, alpha=0.3)
# ========================================
# 中圖：股價 + 買賣點
# ========================================
ax2 = fig.add_subplot(312)
results['TSMC'].plot(ax=ax2, label='Price', linewidth=2, color='black')
# 標記買入點
buy_signals = results[results['buy'] == True]
ax2.plot(
buy_signals.index,
buy_signals['TSMC'],
'^',
markersize=12,
color='green',
label='Buy Signal',
markeredgewidth=2,
markeredgecolor='darkgreen'
)
# 標記賣出點
sell_signals = results[results['sell'] == True]
ax2.plot(
sell_signals.index,
sell_signals['TSMC'],
'v',
markersize=12,
color='red',
label='Sell Signal',
markeredgewidth=2,
markeredgecolor='darkred'
)
ax2.set_ylabel('Price (TWD)', fontsize=12)
ax2.set_title('Price Chart with Trade Signals', fontsize=14, fontweight='bold')
ax2.legend(loc='upper left', fontsize=11)
ax2.grid(True, alpha=0.3)
# ========================================
# 下圖：MACD 指標 + 柱狀圖
# ========================================
ax3 = fig.add_subplot(313)
# 繪製 DIF 與 MACD 線
results['dif'].plot(ax=ax3, label='DIF', linewidth=2, color='blue')
results['MACD'].plot(ax=ax3, label='MACD', linewidth=2, color='red')
# 繪製買入點（在 MACD 線上）
ax3.plot(
buy_signals.index,
buy_signals['MACD'],
'^',
markersize=12,
color='green',
markeredgewidth=2,
markeredgecolor='darkgreen'
)
# 繪製賣出點（在 MACD 線上）
ax3.plot(
sell_signals.index,
sell_signals['MACD'],
'v',
markersize=12,
color='red',
markeredgewidth=2,
markeredgecolor='darkred'
)
# 繪製柱狀圖（雙軸）
ax3_twin = ax3.twinx()
colors = ["red" if i > 0 else "green" for i in results['bar']]
ax3_twin.bar(
results.index,
results['bar'],
color=colors,
alpha=0.3,
width=0.8,
label='MACD Histogram'
)
# 設定 Y 軸標籤
ax3.set_ylabel('MACD / DIF', fontsize=12)
ax3_twin.set_ylabel('Histogram', fontsize=12)
ax3.set_xlabel('Date', fontsize=12)
ax3.set_title('MACD Indicator', fontsize=14, fontweight='bold')
# 合併圖例
lines1, labels1 = ax3.get_legend_handles_labels()
lines2, labels2 = ax3_twin.get_legend_handles_labels()
ax3.legend(lines1 + lines2, labels1 + labels2, loc='upper left', fontsize=11)
ax3.grid(True, alpha=0.3)
ax3.axhline(0, color='black', linewidth=1, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()
# ====================================
# 執行回測
# ====================================
from zipline import run_algorithm
print("="*60)
print("開始回測 MACD 策略")
print(f"標的：{ticker}")
print(f"期間：{start_date} ~ {end_date}")
print("="*60)
results = run_algorithm(
start=pd.Timestamp(start_date, tz='utc'),
end=pd.Timestamp(end_date, tz='utc'),
initialize=initialize,
handle_data=handle_data,
analyze=analyze,
bundle='tquant',
capital_base=1e6
)
print("\n回測完成！")
# ====================================
# Pyfolio 績效分析
# ====================================
try:
import pyfolio as pf
from pyfolio.utils import extract_rets_pos_txn_from_zipline
returns, positions, transactions = extract_rets_pos_txn_from_zipline(results)
benchmark_rets = results.benchmark_return
print("------ 大盤績效指標 ------")
pf.show_perf_stats(benchmark_rets)
print("------ 策略績效 ------")
pf.tears.create_full_tear_sheet(
returns=returns,
positions=positions,
transactions=transactions,
benchmark_rets=benchmark_rets
)
except ImportError:
print("未安裝 pyfolio，略過詳細分析")
print("若需完整報告，請執行: pip install pyfolio")
except Exception as e:
print(f"Pyfolio 分析錯誤: {e}")
📊 回測結果分析¶
策略特性¶
✅ 優勢 (Strengths)¶
-
趨勢捕捉能力強
- 在明顯趨勢中表現優異
- 能夠抓住大波段行情
-
雙重確認降低假訊號
- DIF 與 MACD 交叉
- 柱狀圖轉折確認
- 減少頻繁進出
-
邏輯簡單易懂
- 訊號明確（金叉買、死叉賣）
- 容易執行與回測
-
風險可控
- 有明確出場訊號
- 不會長期套牢
⚠️ 劣勢 (Weaknesses)¶
-
盤整市場表現差
- 橫盤時容易產生假訊號
- 頻繁進出造成損失
-
滯後性
- 等待交叉確認，進場較晚
- 可能錯過初期漲幅
-
回撤較大
- 趨勢反轉時反應較慢
- 獲利回吐較多
🔍 關鍵學習點¶
1. 為什麼需要雙重確認？¶
# ❌ 單一條件：容易假訊號
if dif[-1] > macd[-1]:
buy = True
# ✅ 雙重確認：降低假訊號
if (dif[-2] < macd[-2]) and (dif[-1] > macd[-1]) and \
(bar[-2] < 0) and (bar[-1] > 0):
buy = True
原因：
- DIF 可能在 MACD 附近震盪
- 柱狀圖轉折確認動能強度
- 避免「假交叉」
2. 檢查資料完整性的重要性¶
# ❌ 錯誤：未檢查
trailing_window = data.history(context.sym, 'price', 35, '1d')
dif = calculate_macd(trailing_window) # 如果資料有 NaN 會出錯
# ✅ 正確：先檢查
trailing_window = data.history(context.sym, 'price', 35, '1d')
if trailing_window.isnull().values.any():
return # 資料不足，跳過
dif = calculate_macd(trailing_window)
何時會遇到 NaN？
- 股票剛上市（歷史資料不足）
- 停牌期間
- 回測初期（需要 warm-up）
3. 使用 [-1] 與 [-2] 的邏輯¶
# dif[-1]：今天的 DIF
# dif[-2]：昨天的 DIF
# 檢查「昨天 < 今天」才算突破
if (dif[-2] < macd[-2]) and (dif[-1] > macd[-1]):
# 昨天 DIF 在 MACD 下方
# 今天 DIF 在 MACD 上方
# → 發生黃金交叉
為什麼不用 dif[-1] > dif[-2]？
- 這只檢查 DIF 是否上升
- 但沒檢查是否穿越 MACD
- 兩者概念不同
4. talib 的使用技巧¶
# EMA 計算
ema = talib.EMA(
trailing_window.values, # 必須是 numpy array，不能是 pandas Series
timeperiod=12 # 週期參數
)
# 回傳值也是 numpy array
print(type(ema)) # <class 'numpy.ndarray'>
# 取最新值
latest_ema = ema[-1]
🎯 延伸優化方向¶
優化 1: 加入趨勢過濾器¶
# 只在明確趨勢中交易
ma200 = talib.SMA(trailing_window.values, timeperiod=200)
# 只在價格 > 200MA 時買入（多頭市場）
if (dif[-1] > macd[-1]) and (current_price > ma200[-1]):
buy = True
優化 2: 動態停損停利¶
def handle_data(context, data):
# ... 原本邏輯 ...
if context.invested:
current_price = data.current(context.sym, 'price')
# ATR 停損
atr = talib.ATR(high.values, low.values, close.values, timeperiod=14)
stop_loss = context.buy_price - (atr[-1] * 2)
if current_price < stop_loss:
order_target(context.sym, 0)
context.invested = False
print(f"ATR 停損出場")
優化 3: 參數優化¶
# 測試不同參數組合
best_sharpe = 0
best_params = None
for fast in range(8, 16):
for slow in range(20, 32):
for signal in range(7, 12):
results = backtest_macd(fast, slow, signal)
if results['sharpe'] > best_sharpe:
best_sharpe = results['sharpe']
best_params = (fast, slow, signal)
print(f"最佳參數: {best_params}")
print(f"最佳夏普: {best_sharpe:.2f}")
優化 4: 加入成交量確認¶
# 突破時成交量需放大
volume = data.history(context.sym, 'volume', 20, '1d')
avg_volume = talib.SMA(volume.values, timeperiod=20)
current_volume = data.current(context.sym, 'volume')
# 買入條件加入量能確認
if (dif[-1] > macd[-1]) and (current_volume > avg_volume[-1] * 1.2):
buy = True
優化 5: 金字塔加碼¶
def handle_data(context, data):
# ... 計算 MACD ...
if buy_signal:
if not context.invested:
# 首次買入 1000 股
order(context.sym, 1000)
context.invested = True
context.position_count = 1
elif (bar[-1] > bar[-2]) and (context.position_count < 3):
# 柱狀圖持續放大，加碼
order(context.sym, 500)
context.position_count += 1
print(f"加碼至 {context.position_count} 個單位")
📚 相關資源¶
- 模板頁面：template.md - 雙線交叉模板
- 架構說明：index.md - 理解設計原理
- 其他案例：
- 乖離率策略 - 反轉策略
- 布林通道策略 - 突破策略
💡 總結¶
MACD 策略展示了技術指標架構的核心優勢：
- ✅ 邏輯直觀：與手動看盤一致
- ✅ 訊號明確：金叉買、死叉賣
- ✅ 雙重確認：降低假訊號
- ✅ 趨勢跟隨：適合波段操作
適合誰使用？
- 技術分析愛好者
- 偏好趨勢跟隨策略
- 中長線波段交易者
使用建議：
- ✅ 在趨勢明確的市場使用
- ✅ 搭配其他指標過濾（如均線、成交量）
- ⚠️ 避免在盤整市場使用
- ⚠️ 注意滯後性，可能錯過初期漲幅
👉 Next Step:
- 複製完整程式碼到 Jupyter Notebook
- 修改參數（快線、慢線、訊號線）
- 測試不同股票
- 加入你的優化邏輯
📖 延伸閱讀¶
Gerald Appel 的 MACD 原則：
- 用於判斷趨勢方向與強度
- 不是絕對的買賣訊號
- 需搭配其他分析工具
- 注意背離現象（價格與 MACD 不一致）
進階應用：
- MACD 背離（Divergence）
- MACD 柱狀圖策略
- 多時間框架 MACD
- MACD + RSI 組合