pandas_ta 库并没有采用传统技术分析教科书中"趋势、震荡、成交量"等基于交易逻辑 的分类方式，而是采用了更贴近量化开发实践的功能性分类体系。这种分类直接映射到其 API 调用结构上，主要分为以下三大维度：
1. 按指标类别分类
这是 pandas_ta 最核心的组织方式，所有指标被归入约 15 个功能模块中。每个模块对应一个独立的命名空间，可通过 ta.{category}() 或 df.ta.{category}() 调用：
| 类别 | 说明 | 代表性指标 |
|---|---|---|
| Overlaps | 与价格曲线重叠绘制的指标 | SMA, EMA, BOLL, VWAP, HMA |
| Momentum | 衡量价格变化速度与强度的振荡器 | RSI, MACD, STOCH, CCI, ROC |
| Volatility | 度量价格波动幅度的指标 | ATR, BBW, KC, NATR, THERMO |
| Volume | 结合量价关系的指标 | OBV, MFI, AD, CMF, VP |
| Trend | 专门用于识别/确认趋势方向的指标 | ADX, DMI, PSAR, SUPERTREND, VORTEX |
| Statistics | 统计学衍生指标 | ZSCORE, SKEW, KURT, QUANTILE |
| Cycles | 周期/时间序列分析指标 | EBSW, REFLEX, INVERTEDHAMMER |
| Pattern | K线形态识别 | CDL_DOJI, CDL_ENGULFING 等60+种 |
| Performance | 收益率与风险绩效度量 | LOGRET, PCTCHANGE, SHARPE, SORTINO |
| Utils / Helpers | 辅助计算工具 | CROSS, ABOVE, BELOW, IFELSE |
注意： 部分指标可能同时具备多重属性（如 MACD 既是动量也是趋势指标），
pandas_ta会根据其主要用途将其归入单一类别。例如 MACD 被归入 Momentum 而非 Trend。
2. 按调用粒度分类
除了功能类别，pandas_ta 还提供了三种不同粒度的使用接口，适应不同的开发场景：
- 单指标调用：
ta.rsi(close, length=14)------ 精确控制单个指标的参数，适合调试和定制化策略。 - 类别批量调用：
df.ta.momentum(length=14, append=True)------ 一次性计算该类别下所有指标，适合特征工程探索。 - 自定义策略：
df.ta.strategy(name="my_strategy", config=[...])------ 通过 JSON/YAML 配置文件定义指标组合，适合生产环境中的可复现研究。
3. 按数据依赖分类
这一分类虽未在文档中显式标注，但在实际使用中至关重要：
- 仅依赖收盘价： 如 EMA、RSI，只需
close列即可计算。 - 依赖 OHLC 多列： 如 ATR、BOLL、SUPERTREND，需要完整的开高低收数据。
- 依赖成交量： 如 OBV、MFI、AD，必须提供
volume列，否则返回 NaN。 - 依赖外部数据： 如 VP（成交量分布）需要指定价格区间参数；部分统计指标可能需要额外传入基准序列。
4. 与传统分类的差异提醒
许多交易者习惯按"趋势型 / 震荡型 / 量能型"来记忆指标，但 pandas_ta 的 Overlaps 类别是一个独特设计------它纯粹基于可视化位置（是否与K线同轴绘制）而非交易逻辑。这意味着：
- EMA（趋势跟踪）和 BOLL（波动率通道）同属 Overlaps；
- ADX（纯趋势强度）却被归入 Trend 而非 Overlaps；
- VWAP（量价趋势）也在 Overlaps 中。
因此，在使用 pandas_ta 时，建议以功能模块 为索引查找指标，而非套用传统教科书分类。可通过 df.ta.indicators() 获取完整指标列表及其所属类别，或通过 ta.Category 字典对象查看各类别下所有可用指标。