在市场里混久了你会发现，技术指标不是越复杂越好，关键是你得真正读懂它背后的逻辑，然后用代码把它"抓出来"。
今天这篇文章，我们聚焦在最经典的MACD指标上，围绕实战中非常有参考价值的8种典型形态，用Python逐一实现------不仅能"识图识势"，还能真正让它为你的策略服务。
准备工作：用 ta-lib 计算 MACD
我们用专业的技术分析库 ta-lib 来算 MACD。它直接返回三组关键值：
- DIF（快线）
- DEA（慢线）
- MACD柱（能量柱）
不会安装ta-lib的可以参考花姐写的这篇文章 mp.weixin.qq.com/s/b6WzibdYM... 《史上最强量化工具库 Ta-Lib 从入门到精通，一篇文章就够了！》
python
import pandas as pd
import talib
def compute_macd(df):
"""
计算MACD相关数据：DIF, DEA, MACD柱
"""
df = df.copy()
df['DIF'], df['DEA'], df['MACD'] = talib.MACD(
df['close'],
fastperiod=12,
slowperiod=26,
signalperiod=9
)
return df注意： df 中请传入包含open high low close 字段Dataframe格式的行情数据，返回结果会在原来的df数据中增加DIF DEA MACD数据
八个MACD信号形态及量化识别函数
🟢 信号一：金叉上轴多头强
当快线（DIF）上穿慢线（DEA），并且整个结构在零轴之上时，往往是上涨趋势的确认，短线多头活跃。
python
def is_bullish_cross_above_zero(df):
"""
检测零轴上方的金叉信号
"""
cond = (
(df['DIF'] > 0) &
(df['DIF'].shift(1) < df['DEA'].shift(1)) &
(df['DIF'] > df['DEA'])
)
return cond
某股票在0轴之上MACD金叉，股价直接从11元涨到了15元，短短几天就带来了40%左右的收益。
🟡 信号二：下轴金叉假反弹
金叉出现在零轴以下时，通常只是短暂的反弹尝试，失败的概率不小，尤其在弱市里很容易冲高回落。
python
def is_weak_cross_below_zero(df):
"""
检测零轴下方的金叉（反弹信号）
"""
cond = (
(df['DIF'] < 0) &
(df['DIF'].shift(1) < df['DEA'].shift(1)) &
(df['DIF'] > df['DEA'])
)
return cond比如这个股票25年2月10日出现0轴以下金叉，次日就开始下跌了，虽然后来也涨了，但是在下跌段很容易被洗下车
🔻 信号三：死叉下轴空头狠
如果死叉（DIF下穿DEA）发生在零轴以下，那说明空头格局依旧在发力，是典型的下行趋势延续信号。
python
def is_bearish_continuation(df):
"""
检测零轴下方的死叉，判断是否为下跌延续
"""
cond = (
(df['DIF'] < 0) &
(df['DIF'].shift(1) > df['DEA'].shift(1)) &
(df['DIF'] < df['DEA'])
)
return cond比如这个股票，0轴下方金叉以后，是一路下跌，虽然期间有反弹，但是反弹力度都很弱。
🔁 信号四：上轴死叉别紧张
上涨趋势中出现的死叉，位置在零轴上方，一般代表短线整理或者回踩确认支撑，没必要过度紧张。
python
def is_mild_pullback(df):
"""
检测零轴上方死叉，常见于上涨途中的正常回调
"""
cond = (
(df['DIF'] > 0) &
(df['DIF'].shift(1) > df['DEA'].shift(1)) &
(df['DIF'] < df['DEA'])
)
return cond比如这个股票尽力短暂调整以后有一次创新高。
🧭 信号五：底部背离要盯牢
当价格持续创新低，但MACD的DIF低点却在逐步抬高，这通常是行情即将反转的信号，值得重点盯防。
python
from sklearn.linear_model import LinearRegression
import numpy as np
def calc_slope(y):
"""
计算一段序列的线性回归斜率
"""
x = np.arange(len(y)).reshape(-1, 1)
model = LinearRegression().fit(x, y)
return model.coef_[0] # 返回斜率
def detect_bottom_divergence_by_slope(df, window=30):
"""
使用线性回归判断底背离（价格向下趋势 + DIF向上趋势）
"""
if df.shape[0] < window+10:
return False
df = df.copy()
close_slope = calc_slope(df['close'].iloc[-window:].values.reshape(-1, 1))
dif_slope = calc_slope(df['DIF'].iloc[-window:].values.reshape(-1, 1))
# print(close_slope,dif_slope)
# 条件：价格趋势下跌，DIF趋势上升 => 底背离
if close_slope < -0.05 and dif_slope > 0.05:
return True
return False比如这个股票就是一个典型的底背离反弹的案例
⚠️ 信号六：顶部背离赶紧跑
股价继续走高但动能跟不上，MACD的DIF高点却越来越低，这时候风险信号拉响，需提高警惕。
python
from sklearn.linear_model import LinearRegression
import numpy as np
def calc_slope(y):
"""
计算一段序列的线性回归斜率
"""
x = np.arange(len(y)).reshape(-1, 1)
model = LinearRegression().fit(x, y)
return model.coef_[0] # 返回斜率
def detect_top_divergence_by_slope(df, window=30):
"""
使用线性回归判断顶背离（价格向上趋势 + DIF向下趋势）
"""
if df.shape[0] < window + 10:
return False
df = df.copy()
close_slope = calc_slope(df['close'].iloc[-window:].values.reshape(-1, 1))
dif_slope = calc_slope(df['DIF'].iloc[-window:].values.reshape(-1, 1))
# 条件：价格趋势上行，DIF趋势下行 => 顶背离
if close_slope > 0.05 and dif_slope < -0.05:
return True
return False比如这个股票，就是典型的顶背离
🔴 信号七：红柱加长多头猛
多头动能不断累积，MACD红柱一根比一根长，这时候趋势在延续，应该顺势持有，而不是过早下车。
python
def is_growing_bullish_momentum(df, length=3):
"""
判断MACD红柱连续增长，反映多头动能加强
"""
series = df['MACD'].rolling(length)
cond = series.apply(lambda x: all(x > 0) and all(x.diff().dropna() > 0), raw=False)
return cond.fillna(False)红柱子越来越大，走势基本上就会延续下去
🟢 信号八：绿柱放量得减仓
空头发力阶段，绿柱面积持续扩大，表示卖压在增强。此时不宜"抄底"，应控制风险优先。
python
def is_expanding_bearish_pressure(df, length=3):
"""
判断MACD绿柱持续拉长，反映空头动能增强
"""
series = df['MACD'].rolling(length)
cond = series.apply(lambda x: all(x < 0) and all(x.diff().dropna() < 0), raw=False)
return cond.fillna(False)大绿肚子，就得赶紧跑路，落袋为安
小结 & 建议
这些MACD形态，其实都是老交易者在盘中实战里观察总结出来的规律。我们现在做的，只是用Python把它们"结构化、函数化"，方便我们做系统选股、回测、策略整合。
📍 这些函数可以怎么用？
- 做成每日盘前扫描脚本，过滤出有信号的标的；
- 在策略中叠加其他因子形成组合条件；
- 配合回测框架验证每种信号在不同市场环境下的胜率。