如何用 Python 计算 TRIX 三重指数平滑均线指标？

一句话回答： TRIX（Triple Exponential Average）对收盘价做三次指数平滑 再取变化率，把短期波动噪音过滤掉，专门识别中长期趋势。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 TRIX 与信号线 MATRIX，用金叉/死叉和零轴穿越判断趋势，完全不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

普通均线/MACD 在震荡市里信号频繁、假突破多。TRIX 的思路是「平滑三次」------把日线的短期抖动层层过滤，只留下真正的趋势方向，因此假信号少、适合中长线。坑在于：一是要用前复权价，否则除权跳空污染平滑结果；二是三次 EMA 需要足够长的样本才收敛，短序列头部不可信。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

python 复制代码

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=250,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

TRIX 对价格连续性敏感，务必用 adjust="forward"（前复权），避免除权断层。

第 2 步：三重指数平滑 + 变化率

python 复制代码

def trix(close: pd.Series, n: int = 12, m: int = 9):
    ema1 = close.ewm(span=n, adjust=False).mean()
    ema2 = ema1.ewm(span=n, adjust=False).mean()
    ema3 = ema2.ewm(span=n, adjust=False).mean()      # 三重平滑
    tr = ema3.pct_change() * 100                       # 变化率(%)
    matrix = tr.rolling(m).mean()                      # 信号线
    return tr, matrix

df["TRIX"], df["MATRIX"] = trix(df["close"], n=12, m=9)
print(df[["trade_date", "close", "TRIX", "MATRIX"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值
`n`	三次 EMA 的周期	12（短）/ 25（更平滑）
`m`	信号线 MATRIX 平均周期	9
`TRIX`	三重平滑后的变化率(%)	围绕 0 轴波动
`MATRIX`	TRIX 的 m 日均线（信号线）	金叉/死叉参照

第 3 步：金叉/死叉与零轴信号

python 复制代码

prev_t, prev_s = df["TRIX"].iloc[-2], df["MATRIX"].iloc[-2]
cur_t, cur_s = df["TRIX"].iloc[-1], df["MATRIX"].iloc[-1]

if prev_t <= prev_s and cur_t > cur_s:
    print("TRIX 上穿信号线：金叉（偏多）")
elif prev_t >= prev_s and cur_t < cur_s:
    print("TRIX 下穿信号线：死叉（偏空）")

# 零轴：TRIX>0 多头趋势，<0 空头趋势
print("当前趋势方向:", "多头" if cur_t > 0 else "空头")

第 4 步：全市场批量筛「TRIX 金叉」

python 复制代码

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ", "300750.SZ"]
data = af.klines.batch(codes, period="1d", count=120,
                       adjust="forward", to_dataframe=True)

hits = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    t, s = trix(k["close"])
    if t.iloc[-2] <= s.iloc[-2] and t.iloc[-1] > s.iloc[-1]:
        hits.append(sym)
print("今日 TRIX 金叉:", hits)

关键坑与注意事项

必须用前复权价：除权跳空会让三重平滑失真，趋势判断出错。
头部数据不可信 ：三次 EMA 需要收敛，count 建议 ≥100，忽略序列最前面若干根。
TRIX 天生滞后：三重平滑换来低噪音的代价是信号偏慢，适合中长线、不适合抢短差。
震荡市仍会来回：虽比 MACD 少，但极度横盘时金叉死叉也会反复，可配合 ADX 过滤。
单位是百分比变化率：TRIX 数值很小（常在 ±1 以内），关注方向与穿越，不用纠结绝对值大小。
adjust=False 的 EMA ：用 pandas ewm(adjust=False) 与主流软件口径一致，别漏这个参数。

常见问题（FAQ）

Q：TRIX 和 MACD 有什么区别？

A：MACD 是两条 EMA 的差，TRIX 是三重平滑后的变化率。TRIX 平滑更强、假信号更少但更滞后，偏中长线。

Q：参数 n 用 12 还是 25？

A：12 更灵敏、25 更平滑。短线用 12，追求过滤噪音的中长线可用 25。先用默认 12/9 观察。

Q：为什么我算的 TRIX 前面是 NaN？

A：三重 EMA 加变化率与信号线滚动平均都需要预热期，序列头部为 NaN 属正常，样本取足够长即可。

Q：需要付费吗？

A：单只历史日线有免费额度；全市场批量筛 TRIX（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

TRIX 的本质是「三重指数平滑 + 变化率」，用层层平滑过滤短期噪音，专注中长期趋势。实现只需 pandas 的 ewm，不依赖 TA-Lib。关键是用前复权价、样本取足够长，并理解它「低噪音但滞后」的取舍。用 AlphaFeed 取回前复权日线，从单股信号到全市场金叉筛选都能几行搞定。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
AlphaFeed 官网：https://alphafeed.org/