一文读懂量化交易中最常用的5种均线，附源码，建议收藏

这里有鱼汤2025-06-10 9:17

在量化交易和技术分析中，均线 是最基础也最重要的工具之一。无论你是刚入门的量化新手，还是有实战经验的老股民，理解不同种类的均线及其特点，都是构建策略前的必修课。

今天这篇文章，花姐就来系统介绍一下五种最常见的均线类型------SMA、EMA、WMA（LWMA）、TMA、VMA，以及它们的计算逻辑和实际区别。

一、什么是均线？

简单来说，均线是用来平滑时间序列波动的工具，通过对历史价格的平均，来观察趋势的方向与强度。

我们可以设定一个固定的"回看周期"（如5日、10日、30日等），每往前推进一天，就剔除最早的那个数据点、加入最新的价格，因此叫做"移动平均"。

举个例子👇：

假设我们有一组数据：

复制代码 
8, 10, 5, 13, 17, 19, 14, 18, 12

计算5日简单移动平均（SMA）：

  • 第一个值：(8 + 10 + 5 + 13 + 17) / 5 = 10.6
  • 第二个值：(10 + 5 + 13 + 17 + 19) / 5 = 12.8
  • 第三个值：(5 + 13 + 17 + 19 + 14) / 5 = 13.6
  • 第四个值：(13 + 17 + 19 + 14 + 18) / 5 = 16.2
  • 第五个值：(17 + 19 + 14 + 18 + 12) / 5 = 16.0

每次计算都是取连续5个数的平均，窗口不断向前滑动，这就是"移动"平均的精髓

想用Python跑一下这个例子的话，用 pandas 非常方便：

python 复制代码 
import pandas as pd

data = [8, 10, 5, 13, 17, 19, 14, 18, 12]
s = pd.Series(data)
sma_5 = s.rolling(window=5).mean()

print(sma_5.dropna())  # 输出非NaN的结果

输出就是：

go 复制代码 
4    10.6
5    12.8
6    13.6
7    16.2
8    16.0
dtype: float64

关于均线的周期说明

在移动平均线的交易策略中，常用的回看周期包括 5、10、20、30 、60 、120 和 250 。 这些周期可以根据不同的时间维度来设置，比如分钟级、日线、周线等，具体选择取决于交易者的策略偏好： 👉 如果偏向短线交易 ，可以使用较小的周期（如5或10）； 👉 如果倾向中期交易 ，则可以选择更长的周期（如20、30、60）； 👉 如果倾向趋势交易，则可以选择更长的周期（如120、250）。

不同的周期长度能帮助交易者捕捉不同级别的市场趋势，是技术分析中非常关键的一环，当然也有一些股民为了防止庄家割韭菜，搞假动作，也会采用特殊的周期来做均线，比如7、9、13之类的。

二、五种常见均线类型对比

1. 简单移动平均线（SMA：Simple Moving Average）

SMA 是最基础 、最常用的一种均线，它对所有的数据点赋予相同的权重。

公式：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> SMA = 周期内所有价格之和 周期数 \text{SMA} = \frac{\text{周期内所有价格之和}}{\text{周期数}} </math>SMA=周期数周期内所有价格之和

优点：

  • 简单直观，计算方便 缺点：
  • 对价格变动反应慢，有"滞后性"

下面是一个使用 AKShare 获取 沪深300指数最近两年数据，并用 matplotlib 绘制 收盘价 + 5日、10日、20日简单移动平均线（SMA） 的完整 Python 示例代码，我们看看SMA的走势如何

python 复制代码 
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

# 1. 获取最近2年的日期范围
end_date = datetime.today()
start_date = end_date - timedelta(days=365 * 2)
start_str = start_date.strftime("%Y%m%d")
end_str = end_date.strftime("%Y%m%d")

# 2. 获取沪深300指数的历史行情数据（指数代码：000300.SH）
df = ak.index_zh_a_hist(
    symbol="000300",
    period="daily",
    start_date=start_str,
    end_date=end_str)

# 3. 数据预处理
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)

# 4. 计算移动平均线
df['MA5'] = df['收盘'].rolling(window=5).mean()
df['MA10'] = df['收盘'].rolling(window=10).mean()
df['MA20'] = df['收盘'].rolling(window=20).mean()

# 5. 绘图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False    # 正确显示负号
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['收盘'], label='收盘价', color='black', linewidth=1)
plt.plot(df.index, df['MA5'], label='5日均线', color='pink', linewidth=1)
plt.plot(df.index, df['MA10'], label='10日均线', color='orange', linewidth=1)
plt.plot(df.index, df['MA20'], label='20日均线', color='red', linewidth=1)

plt.title('沪深300指数 - 收盘价与移动平均线（近两年）', fontsize=14)
plt.xlabel('日期')
plt.ylabel('指数点位')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

5日、10日、20日简单移动平均线（SMA）与价格的关系，可以反映出市场的短中期趋势强弱和多空力量的转换。通常来说，价格位于三条均线之上，且均线呈多头排列（即5日在线上、10日居中、20日最下方），说明当前市场处于明显的上升趋势中，多头占据主动；相反，若价格位于三线下方，且均线呈空头排列，则市场处于下跌趋势，空头占优。当价格上穿或下穿其中一条或多条均线，往往预示着短期趋势的改变，比如价格突破并站稳20日线，可能代表中期趋势由弱转强，而跌破20日线则需警惕趋势反转风险。另外，当均线之间距离逐渐收窄并形成粘合状态，说明市场进入震荡整理阶段，此时方向尚未明朗，价格对均线的突破往往成为下一波行情的启动信号。因此，价格与5/10/20日均线之间的相对位置、穿越关系和排列顺序，是判断市场短中期趋势的关键依据，适合用于趋势判断、回调买入、止盈止损等多种策略场景。

2. 指数移动平均线（EMA：Exponential Moving Average）

EMA 给近期的价格赋予更高的权重，比 SMA 更快响应价格变化。

计算方式略复杂，但可使用如下公式近似理解：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> EMA = 收盘价 × 权重 + 前一日 EMA × ( 1 − 权重 ) \text{EMA} = \text{收盘价} \times \text{权重} + \text{前一日 EMA} \times (1 - \text{权重}) </math>EMA=收盘价×权重+前一日 EMA×(1−权重)

其中：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> 权重 = 2 n + 1 \text{权重} = \frac{2}{n + 1} </math>权重=n+12

优点：

  • 响应更迅速，适合捕捉趋势转折 缺点：
  • 可能对噪声反应过度，产生"假信号"

下面是一个使用 AKShare 获取 沪深300指数最近两年数据，并用 matplotlib 绘制 收盘价 + 20日简单移动平均线（SMA）和 指数移动平均线（EMA）的完整 Python 示例代码，我们看看两者的走势有何差异

python 复制代码 
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

# 获取日期范围（最近两年）
end_date = datetime.today()
start_date = end_date - timedelta(days=365 * 2)
start_str = start_date.strftime("%Y%m%d")
end_str = end_date.strftime("%Y%m%d")

# 获取沪深300指数数据
df = ak.index_zh_a_hist(
    symbol="000300",
    period="daily",
    start_date=start_str,
    end_date=end_str)

# 数据预处理
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)

# 计算20日 SMA 和 EMA
df['SMA20'] = df['收盘'].rolling(window=20).mean()
df['EMA20'] = df['收盘'].ewm(span=20, adjust=False).mean()

# 绘图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False    # 正确显示负号
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['收盘'], label='收盘价', color='black', linewidth=1)
plt.plot(df.index, df['SMA20'], label='SMA20（简单均线）', color='blue', linewidth=1.5)
plt.plot(df.index, df['EMA20'], label='EMA20（指数均线）', color='red', linestyle='--', linewidth=1.5)

plt.title('沪深300指数 - 收盘价 vs 20日SMA & EMA', fontsize=14)
plt.xlabel('日期')
plt.ylabel('指数点位')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

根据SMA和EMA的20日均线与价格的关系，我们可以发现它们在衡量市场中期趋势时各有侧重：SMA20反应较为平滑，适合识别稳定的趋势方向，而EMA20对价格变动更敏感，更适合捕捉趋势的起点或反转信号。当价格持续运行在SMA20和EMA20上方，说明市场处于健康的上升趋势中，多头力量占优；反之，若价格跌破这两条均线，且均线拐头向下，往往预示着趋势减弱或反转，空头开始掌控主动。如果价格在SMA20附近震荡而EMA20频繁穿越价格，则可能意味着市场进入盘整阶段，趋势方向不明确。此外，EMA20上穿SMA20往往代表短期多头力量增强，有可能引发新一轮上涨，而EMA20下穿SMA20则可能预示市场将进入调整。总的来看，结合SMA20的趋势稳定性与EMA20的响应速度，可以更全面地判断当前价格的中期趋势强弱与潜在拐点。

3. 线性加权移动平均线（LWMA/WMA：Linearly Weighted Moving Average）

WMA 与 EMA 同样是加权平均，但权重是线性递增，比如10日 LWMA 就是第10天权重为10，第9天为9，依此类推。

公式：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> WMA = ∑ ( 价格 × 线性权重 ) ∑ ( 权重 ) \text{WMA} = \frac{\sum(\text{价格} \times \text{线性权重})}{\sum(\text{权重})} </math>WMA=∑(权重)∑(价格×线性权重)

优点：

  • 比 EMA 更强调最近数据 缺点：
  • 对极端价格更敏感，容易产生尖锐波动

同样我们把SMA、EMA、WMA绘制到同一张图中，方便我们观察，以下是一个Python示例代码：

python 复制代码 
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
import numpy as np

# 1. 获取日期范围（最近两年）
end_date = datetime.today()
start_date = end_date - timedelta(days=365 * 2)
start_str = start_date.strftime("%Y%m%d")
end_str = end_date.strftime("%Y%m%d")

# 2. 获取沪深300指数数据
df = ak.index_zh_a_hist(
    symbol="000300",
    period="daily",
    start_date=start_str,
    end_date=end_str)

# 3. 数据预处理
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)

# 4. 计算20日均线
df['SMA20'] = df['收盘'].rolling(window=20).mean()
df['EMA20'] = df['收盘'].ewm(span=20, adjust=False).mean()

# 5. 计算WMA20（加权移动平均）
def weighted_moving_average(series, window):
    weights = np.arange(1, window + 1)
    return series.rolling(window).apply(lambda prices: np.dot(prices, weights)/weights.sum(), raw=True)

df['WMA20'] = weighted_moving_average(df['收盘'], 20)

# 6. 绘图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False    # 正确显示负号
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['收盘'], label='收盘价', color='black', linewidth=1)
plt.plot(df.index, df['SMA20'], label='SMA20（简单均线）', color='blue', linewidth=1.5)
plt.plot(df.index, df['EMA20'], label='EMA20（指数均线）', color='red', linestyle='--', linewidth=1.5)
plt.plot(df.index, df['WMA20'], label='WMA20（加权均线）', color='green', linestyle='-.', linewidth=1.5)

plt.title('沪深300指数 - 收盘价与20日SMA / EMA / WMA 对比图', fontsize=14)
plt.xlabel('日期')
plt.ylabel('指数点位')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

SMA、EMA 和 WMA 是量化交易中最常用的三种均线形式，各自适用于不同的策略场景。SMA 计算简单，适合用于趋势确认、支撑阻力判断等稳健策略，但响应慢，容易滞后于行情；EMA 对新数据加权更高，能更快响应价格变化，常用于构建动量策略、趋势跟踪系统以及短期交易信号捕捉；WMA 在加快响应的同时对最新价格给予最大权重，比 EMA 更敏感，适合用于对价格变动反应要求更快的策略，比如高频信号生成或短周期反转策略。三者在实盘应用中通常配合使用，通过交叉、偏离、组合等方式判断多空转换、跟踪趋势强弱或作为交易信号过滤条件，是构建多因子模型或交易系统的基础工具。

4. 三角移动平均线（TMA：Triangular Moving Average）

TMA 是对 SMA 再进行一次平均，等于"双重平滑"。

计算方式：

  • 第一步：计算 SMA
  • 第二步：对 SMA 再做一次均值（再次滚动）

优点：

  • 曲线平滑、噪声少 缺点：
  • 滞后性最强，反应慢

以下是EMA和TMA绘制20日均线的简单Python示例

python 复制代码 
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

# 1. 获取日期范围（最近两年）
end_date = datetime.today()
start_date = end_date - timedelta(days=365 * 2)
start_str = start_date.strftime("%Y%m%d")
end_str = end_date.strftime("%Y%m%d")

# 2. 获取沪深300指数数据
df = ak.index_zh_a_hist(
    symbol="000300",
    period="daily",
    start_date=start_str,
    end_date=end_str)

# 3. 数据预处理
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)

# 4. 计算20日 SMA
df['SMA20'] = df['收盘'].rolling(window=20).mean()

# 5. 计算20日 TMA（对SMA再做一次SMA）
df['TMA20'] = df['SMA20'].rolling(window=20).mean()

# 6. 绘图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False    # 正确显示负号
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['收盘'], label='收盘价', color='black', linewidth=1)
plt.plot(df.index, df['SMA20'], label='SMA20（简单移动平均）', color='blue', linewidth=1.5)
plt.plot(df.index, df['TMA20'], label='TMA20（三角移动平均）', color='purple', linestyle='--', linewidth=1.5)

plt.title('沪深300指数 - 收盘价与20日SMA / TMA 对比图', fontsize=14)
plt.xlabel('日期')
plt.ylabel('指数点位')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

EMA 和 TMA 在量化交易中都被广泛用于趋势识别与信号构建，其中 EMA 因为对近期价格反应更敏感，常被用于捕捉短期价格变化，用作交易信号的核心触发条件，尤其适合动量策略、趋势突破和跟踪系统，在多均线交叉、回调入场等场景中表现突出；而 TMA 由于是对简单均线的二次平滑，波动更小、滞后性更强，常用于中长期趋势的确认与噪声过滤，适合在震荡市场中作为趋势滤波器或慢速参考线，避免频繁误判信号；在实盘策略中，两者可以结合使用，例如以 EMA 作为快速信号线，TMA 作为慢速趋势确认，有效平衡信号灵敏度与稳定性，提升交易系统的鲁棒性与容错能力。

5. 可变移动平均线（VMA：Variable Moving Average）

VMA 是一种基于波动率动态调整权重的移动平均。当价格波动大时，它更敏感；当市场平稳时，它变得更平滑。

优点：

  • 能自适应市场环境变化 缺点：
  • 实现稍复杂，需计算波动率或相关指标（如 ATR）

接下来我们用Python绘制一个VMA和EMA的对比图，为什么拿他俩对比，而不和其它的均线对比呢？

原因如下👇：

  • 核心思想相似： VMA 和 EMA 都是"加权"均线，重点是对近期价格赋予更高权重，但 VMA 进一步引入了"波动性因子"或"动态权重调整"，根据市场波动自动调整平滑系数，响应更灵活；

  • 对比价值高： EMA 是固定平滑系数，适合稳定市场；VMA 根据市场波动变动权重，适合波动市场。两者的对比可以揭示 VMA 的自适应特性是否能更好地捕捉趋势或避免震荡陷阱；

  • 实际策略中常作为替代品： 很多量化策略在优化EMA参数时，可能会考虑用VMA替换EMA，作为提升信号质量的手段；

以下是代码部分：

python 复制代码 
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

# 1. 获取沪深300指数最近两年数据
end_date = datetime.today()
start_date = end_date - timedelta(days=365 * 2)
start_str = start_date.strftime("%Y%m%d")
end_str = end_date.strftime("%Y%m%d")

df = ak.index_zh_a_hist(
    symbol="000300",
    period="daily",
    start_date=start_str,
    end_date=end_str)

df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)

# 2. 计算标准20日EMA
df['EMA20'] = df['收盘'].ewm(span=20, adjust=False).mean()

# 3. 自定义计算20日VMA（根据价格波动动态调整 alpha）
def calc_vma(price_series, base_span=20, fast_alpha=2/(5+1), slow_alpha=2/(40+1)):
    vma = []
    last_vma = price_series.iloc[0]
    for i in range(1, len(price_series)):
        # 计算波动率（这里简单使用前一日涨跌幅作为波动因子）
        delta = abs(price_series.iloc[i] - price_series.iloc[i - 1])
        vol = delta / price_series.iloc[i - 1] if price_series.iloc[i - 1] != 0 else 0
        # 动态 alpha：波动越大，alpha 越接近 fast；波动越小，越接近 slow
        dynamic_alpha = slow_alpha + (fast_alpha - slow_alpha) * min(vol * 100, 1)
        # VMA更新
        last_vma = dynamic_alpha * price_series.iloc[i] + (1 - dynamic_alpha) * last_vma
        vma.append(last_vma)
    vma = [np.nan] + vma  # 与原始价格长度对齐
    return vma

df['VMA20'] = calc_vma(df['收盘'])

# 4. 绘图
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False    # 正确显示负号
plt.figure(figsize=(14, 6))
plt.plot(df.index, df['收盘'], label='收盘价', color='black', linewidth=1)
plt.plot(df.index, df['EMA20'], label='EMA20（固定权重）', color='red', linewidth=1.5)
plt.plot(df.index, df['VMA20'], label='VMA20（可变权重）', color='blue', linestyle='--', linewidth=1.5)

plt.title('沪深300指数 - EMA vs VMA 对比图', fontsize=14)
plt.xlabel('日期')
plt.ylabel('指数点位')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

VMA在量化中的应用主要体现在它对市场波动的自适应能力，使其在不同波动环境下都能保持较高的信号质量，适合用于趋势跟踪、动量策略和信号过滤等多个方向，相较于固定参数的EMA，VMA能够在行情剧烈波动时自动提高灵敏度，快速响应趋势变化，在行情平稳时又能降低噪声干扰、避免频繁交易，因此非常适合用于构建动态交易信号线、作为均线交叉策略中的灵活一环、或者作为量化模型中平滑处理因子的自适应替代方案，同时VMA还能配合波动率指标（如ATR）进一步优化入场和离场时机，是在实际策略中兼顾响应性与稳定性的优选工具。

四、总结对比表

类型 权重特点 响应速度 是否平滑 适合场景
SMA 平均权重 慢 高 长期趋势判断
EMA 指数加权 快 中 短期转折捕捉
LWMA 线性加权 快 低 高频波动场景
TMA 双重平均 最慢 非常高 震荡行情过滤噪声
VMA 动态权重 适中 自适应 高频策略、动态市场

五、如何选择？

不同均线适配不同的风格，在量化中选择哪种均线，核心在于策略目标、交易周期、对信号响应速度的要求

  • SMA 适合用于中长期趋势判断、支撑阻力参考或回测中的基础基准，优点是稳定、简单、可解释性强，缺点是反应滞后，不适合快速市场；

  • EMA 适合用在需要较快反应市场变化的策略中，常用于短期趋势捕捉、动量入场信号构建以及均线交叉策略，适合日内和波段交易；

  • WMA 在响应速度上介于EMA与SMA之间，适合需要权重更偏向近期价格的策略，比如短线均线跟随或价格反转识别；

  • TMA 是对SMA的再次平滑处理，更平滑但滞后更明显，适合震荡市场中用于趋势确认或防止噪声干扰，常用于做信号过滤器或辅助线；

  • VMA 具备自适应性，是最灵活的均线之一，能根据市场波动自动调整响应速度，适合构建具备动态响应能力的趋势策略，特别适用于波动性变化剧烈的市场环境。

总结来说，短线快节奏交易偏向用EMA/WMA，追求稳定信号用SMA/TMA，想提升自适应能力就选VMA，实战中常会组合使用，以平衡反应速度与稳定性。

今天关于量化中均线的介绍就到这里了。

相关推荐
Java技术小馆1 分钟前
面试被问 Java为什么有这么多O
java·后端·面试
brzhang4 分钟前
Flutter 调用原生代码，看这篇就够了：从零教你搭起通信的桥
前端·后端·架构
我是初九9 分钟前
【李沐-动手学深度学习v2】1.Colab学习环境配置
人工智能·python·学习·colab
失败又激情的man14 分钟前
python爬虫之数据存储
前端·数据库·python
崔lc18 分钟前
Springboot项目集成Ai模型（阿里云百炼-DeepSeek）
java·spring boot·后端·ai
一刀到底21122 分钟前
Python 高级应用10：在python 大型项目中 FastAPI 和 Django 的相互配合
python·django·fastapi
MoRanzhi120327 分钟前
245. 2019年蓝桥杯国赛 - 数正方形（困难）- 递推
python·算法·蓝桥杯·国赛·递推·2019
Vertira35 分钟前
如何在 PyTorch 中自定义卷积核参数（亲测，已解决）
人工智能·pytorch·python
热门推荐
01【图像处理与机器视觉】XJTU期末考点02从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑03KGG转MP3工具|非KGM文件|解密音频04Coze扣子平台完整体验和实践（附国内和国际版对比）05YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】06【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！07海康Visionmaster-常见问题排查方法-启动阶段08DeepSeek各版本说明与优缺点分析09VMware虚拟机安装Win7专业版保姆级教程（附镜像包）10零代码入门 | Coze——让大模型接入自己的数据库