用 Python 快速計算 158 種技術指標！
TA-Lib 的完整教學
股仔與新創夥伴合作打造的美股資訊站 — FinGuider，歡迎前往體驗！
小小前言
上週分享了如何建立自己的資料庫 — 美股篇（點此連結前往文章），內容教各位使用 Python 程式從各個管道取得總經、股價、財報、情緒等等相關的資料，但卻沒有提到技術指標，為什麼呢？
原因是有了價量資料後，我們可以使用強大的 Python module — TA-Lib，在一兩秒的時間內快速計算多達 158 種的技術指標！指標的選擇眾多以外，還可以微調每個技術指標參數值的設定，非常好用！我們也因此不需要特地找資源管道去取得技術指標的資料了。 😃
本文內容大綱
- TA-Lib 的安裝
- 怎麼看 TA-Lib 提供了哪些技術指標？
- 準備好一份價量資料，開始計算 158 種技術指標！
※ TA-Lib 的安裝
如果是使用 Google Colab 的讀者，請複製以下程式碼貼上 colab 後執行運作，就可以直接安裝好 TA-Lib 了喔！ 🍰
如果是在自己電腦上安裝的話，依照平常安裝 module 的慣性， 首先都會：
pip install TA-Lib # windows/mac
brew install ta-lib # mac如果是 Windows 的話，一般來說都會出現各種的錯誤訊息 😵，沒關係！請照著以下步驟安裝：
※ 怎麼看 TA-Lib 提供了哪些技術指標？
先匯入本文所需的 modules：
import numpy as np
import pandas as pd
import talib一行指令，就可以得到 TA-Lib 提供的所有技術指標的代碼：
指標太多太亂沒關係，一行指令取得分類清單：
雖然快速取得了所有技術指標的代碼，但很多代碼其實有看沒有懂。我們還是需要去看 TA-Lib 官方文件，才能了解每一個代碼指的是哪一個技術指標，以及預設定的參數是什麼。（TA-Lib 文件連結請按此）
以上圖為例，雖然我們用get_function()可得知有一個技術指標叫做『ADX』，但要看 TA-Lib 文件才能知道『ADX』技術指標原來就是『Average Directional Movement Index』。
接著再去 Google 或維基百科一番，我們就知道原來『ADX』中文可翻譯做『平均動向指數』，由 Welles Wilder JR. 提出。這個指標主要是衡量一個趨勢走勢的強度，其中並無趨勢方向之分，計算過程參考下段內容或直接忽略 😆。
如果我們要自己算出這個指標，要先：
1. 算出各期 TR、+DM、-DM
2. 再依參數值（預設為 14）平滑 TR
3. 拿 TR14 計算 +DM、-DM
3. 再依據平滑後的+DM14、-DM14 計算 DX
4. 完成後再計算 DX 移動平均（預設為 14）使用 TA-Lib 就可以省去建構這些指標計算函數的時間！而省下來的時間就可以照著上面示範的過程（查技術指標全名 → Google/Wiki 指標涵義）去了解技術指標的涵義，產生概念後才知道如何應用指標喔！ 🌱
※ 準備好一份價量資料，開始計算 158 種技術指標！
我們先準備一份價量資料，來示範如何用 TA-Lib 算出技術指標。如果手頭上沒有資料的話，可以參考這篇文章去抓資料。
沒時間慢慢讀那一篇文章的話，就先複製貼上這段程式碼，快速從 yahoo finance 中取得 AAPL 的價量資料來練習 TA-Lib！# 安裝 yfinance
pip install yfinance
# 匯入 yfinance
import yfinance as yf
# 取得 AAPL 價量資料
df = yf.Ticker('AAPL').history(period = 'max')
計算方法 1：Function API
例1：先算個 ADX
一切技術指標的計算都需要價量資料：開盤價、最高價、最低價、收盤價、成交量。而計算 ADX 指標需要的資料就是上圖括號內的 4 個參數：
資料需求：
high：最高價
low：最低價
close：收盤價參數設定：
timeperiod：天數參數，預設為 14
我們只需要提供以上資料與設定參數，就能得到 ADX 技術指標，語法為：
talib.ADX(df.High, df.Low, df.Close, timeperiod = 14)例2：再算個 RSI
只需要收盤價就可以了，來試試看：
talib.RSI(df.Close) # 天數參數採用預設值 14 天計算方法 2：Abstract API
由於技術指標的計算所需的資料永遠都是『開、高、低、收、量』。而我們的 DataFrame 已經備齊了『開、高、低、收、量』五項資料，能否直接給 TA-Lib 整張 DataFrame，讓它自己選擇所需資料就好呢？
沒問題！答案就是透過 Abstract API 去計算技術指標，可以省去選擇『開、高、低、收、量』這步驟。Abstract 的要求只有一個，他需要看得懂哪一個欄位是開盤價、哪一個欄位是最低價等等。因此我們有一個小小的前置作業，就是把欄位名稱改成 Abstract API 看得懂的名稱：
『開盤價』的欄位名稱要改成『open』
『最高價』的欄位名稱要改成『high』
『最低價』的欄位名稱要改成『low』
『收盤價』的欄位名稱要改成『close』
『成交量』的欄位名稱要改成『volume』注意都是小寫英文喔！
我們來看看Function API 以及 Abstract API 兩種計算方式的差別：
匯入差別
# Function API：
import talib# Abstract API：
from talib import abstract
計算語法差別
# Function API：
ADX例子：talib.ADX(df.High, df.Low, df.Close, timeperiod = 14)
RSI例子：talib.RSI(df.Close)# Abstract API：
ADX例子：abstract.ADX(df, timperiod = 14)
RSI例子：abstract.RSI(df)
使用 Abstract API 的話記得匯入方式不太一樣。從結果看到兩種方式得到的輸出答案一模一樣，但 abstract 程式碼簡潔方便許多！😎
看到這裡，已經學會如何用 TA-Lib 計算技術指標了！文章最後再提供一段小小的 code，讓大家可以很快速把計算後的技術指標，併入價量資料的 DataFrame 中。
這段 code 執行後，會發現 158 項技術指標中，有 157 項指標都成功依照預設參數計算，並且併入了價量 DataFrame 裡面，唯獨有一項指標有錯誤被 print 出來。這個指標代碼是 MAVP，名稱叫做 Moving average with variable period。咦！其他的 MA 不是都成功計算了嗎？為什麼這個會有錯誤？
原因是這項指標可讓你自由改變每一期計算移動平均的天數。比如說你有 90 天的資料，
‧ 前面的 30 天想要計算 『5 日移動平均』；
‧ 中間的 30 天想要計算『 10 日移動平均』；
‧ 最後的 30 天想要計算『 20 日移動平均』
TA-Lib 的 MAVP 指標就能夠完成這項要求，只要額外準備一項取名叫做『periods』的資料，把各期天數放進去，
‧ 前面的 30 筆為『5.0』；
‧ 中間的 30 筆為『10.0』；
‧ 最後的 30 筆為『20.0』
再讓 TA-Lib 去計算就可以囉！
恭喜各位學會用 TA-Lib 快速計算大量技術指標！如果喜歡這篇文章，請幫我拍拍手！你們的鼓勵能驅使我加速寫出更多優質文章喔！感謝各位！
