如何用 Python 计算 DMA 平行线差指标？

一句话回答： DMA（Different of Moving Average，平行线差）是「短期均线 − 长期均线」的差值，再对差值取一条 M 日均线得到信号线 AMA。DMA 上穿 AMA 或上穿零轴视为转强、反之转弱。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 DMA 与 AMA，完全不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

只看单条均线容易滞后、也难判断趋势强弱变化。DMA 用「快慢两条均线的差」把趋势的加速/减速 放大出来：差值扩大说明趋势增强，差值收敛说明趋势走弱。坑在于：一是要用前复权价，否则除权跳空让均线差失真；二是不同软件默认参数（10/50/10）要对齐，否则数值对不上。

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)

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

第 2 步：计算 DMA 与信号线 AMA

python 复制代码

def dma(close: pd.Series, short: int = 10, long: int = 50, m: int = 10):
    ddd = close.rolling(short).mean() - close.rolling(long).mean()  # 快慢均线差
    ama = ddd.rolling(m).mean()                                     # 信号线
    return ddd, ama

df["DMA"], df["AMA"] = dma(df["close"], short=10, long=50, m=10)
print(df[["trade_date", "close", "DMA", "AMA"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值
`short`	短期均线周期	10
`long`	长期均线周期	50
`m`	信号线 AMA 平均周期	10
`DMA`	短期均线 − 长期均线	围绕 0 轴波动
`AMA`	DMA 的 m 日均线	金叉/死叉参照

第 3 步：金叉/死叉与零轴信号

python 复制代码

prev_d, prev_a = df["DMA"].iloc[-2], df["AMA"].iloc[-2]
cur_d, cur_a = df["DMA"].iloc[-1], df["AMA"].iloc[-1]

if prev_d <= prev_a and cur_d > cur_a:
    print("DMA 上穿 AMA：金叉（偏多）")
elif prev_d >= prev_a and cur_d < cur_a:
    print("DMA 下穿 AMA：死叉（偏空）")

print("趋势方向:", "多头" if cur_d > 0 else "空头")  # DMA>0 多头，<0 空头

第 4 步：全市场批量筛「DMA 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)  # dict{symbol: DataFrame}

hits = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    d, a = dma(k["close"])
    if d.iloc[-2] <= a.iloc[-2] and d.iloc[-1] > a.iloc[-1]:
        hits.append(sym)
print("今日 DMA 金叉:", hits)

关键坑与注意事项

必须用前复权价：除权跳空会让快慢均线差出现假拐点。
参数要与软件对齐：通达信默认 10/50/10，改参数会得到不同数值，跨平台对比先统一参数。
DMA 天然滞后：基于均线，趋势确认较慢，适合过滤而非抢反转。
零轴与金叉是两类信号：DMA 上穿 0 轴看多空方向，DMA 上穿 AMA 看拐点强弱，可组合使用。
头部数据为 NaN ：long + m 需要预热期，count 建议 ≥ long+m+若干，忽略序列最前面若干根。
震荡市反复：横盘时金叉死叉会频繁，可配合 ADX 等趋势强度过滤。

常见问题（FAQ）

Q：DMA 和 MACD 有什么区别？ A：MACD 用 EMA 差 + DEA 信号线；DMA 用简单均线（SMA）差 + 其均线 AMA。DMA 更直观、偏中长线，MACD 更常用、对短期更敏感。

Q：参数怎么选？ A：默认 10/50/10 适合中线。想更灵敏可缩短周期（如 5/20/5），更平滑则拉长。先用默认值观察。

Q：为什么前面几十行是 NaN？ A：长周期均线（如 50 日）和信号线滚动平均都需要预热期，序列头部 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 DMA（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

DMA 平行线差的本质是「快慢均线的差值 + 其信号线」，用差值放大趋势的加速与减速。实现只需 pandas 的 rolling，不依赖 TA-Lib。关键是用前复权价、参数与软件对齐。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：docs.alphafeed.org/zh-Hans/sdk...
AlphaFeed 官网：alphafeed.org/