欢迎加入专注于财经数据与量化投研的【数据科学实战】知识星球！在这里，您将获取持续更新的《财经数据宝典》和《量化投研宝典》，这两部宝典相辅相成，为您在量化投研道路上提供明确指引。 《量化投研宝典》精选了业内持续维护且实用性强的开源工具（Backtrader、Qlib、VeighNa等），配合详细教程与代码示例，帮助您快速构建量化策略；《财经数据宝典》则汇集了多年财经数据维护经验，全面介绍从 AKShare、Tushare 到 Wind、iFind 等国内外数据源，并附有丰富的使用技巧。 无论您是量化投资新手还是经验丰富的研究者，星球社区都能帮您少走弯路，事半功倍，共同探索数据驱动的投资世界！
引言
在量化交易的世界里，技术指标就像是交易者的指南针，帮助我们在市场波动中找到方向。如果你既熟悉 TradingView 的 Pine Script，又热爱 Python 编程，那么今天要介绍的 pine-ta 库绝对会让你眼前一亮！
2025 年 6 月 17 日，一个名为 pine-ta 的纯 Python 技术指标库横空出世。它不需要安装复杂的 C 扩展，也不依赖 TA-Lib，仅凭 pandas 和 NumPy 就能实现 Pine Script 风格的技术指标计算。无论你是想构建自动化交易策略，还是进行市场趋势分析，pine-ta 都能让你事半功倍。
什么是 pine-ta？
pine-ta 是由 Huzaifa Zahoor 开发的一个开源 Python 库，它的设计理念是将 Pine Script 中常用的技术指标完美移植到 Python 环境中。这个库的特点包括：
- 纯 Python 实现：只依赖 pandas 和 NumPy，无需安装 C 扩展
- Pine Script 兼容：指标计算逻辑与 TradingView 中的 Pine Script 保持一致
- 简洁的 API：通过单一的 TechnicalIndicators 类提供所有功能
-
丰富的指标支持：包括 RSI、MACD、ADX、ATR、布林带、随机指标等
快速上手
安装
安装 pine-ta 非常简单，只需一行命令：
pip install pine-ta
基础使用示例
让我们通过一个简单的例子来看看如何使用 pine-ta 计算 RSI 和 MACD 指标：
import pandas as pd
from pine_ta import TechnicalIndicators
# 创建示例 OHLC 数据
df = pd.DataFrame({
'open': [100, 102, 101, 103, 104],
'high': [102, 103, 102, 104, 105],
'low': [99, 100, 99, 101, 102],
'close': [101, 102, 100, 103, 104],
'volume': [1000, 1200, 1100, 1300, 1400]
})
# 计算 RSI（相对强弱指标）
df['rsi'] = TechnicalIndicators.rsi(df, period=14)
# 计算 MACD（移动平均收敛散度）
df['macd'], df['signal'], df['hist'] = TechnicalIndicators.macd(df)
print(df)
核心技术指标详解
1. RSI（相对强弱指标）
RSI 是衡量价格动量的经典指标，pine-ta 的实现使用了 Pine Script 的 RMA（递归移动平均）算法：
def rsi(df, period=14):
# 计算价格变化
delta = df["close"].diff()
# 分离涨跌幅
gains = delta.where(delta > 0, 0) # 上涨幅度
losses = -delta.where(delta 0, 0) # 下跌幅度
# 计算平均涨跌幅（使用指数加权移动平均）
avg_gains = gains.ewm(alpha=1 / period, adjust=False).mean()
avg_losses = losses.ewm(alpha=1 / period, adjust=False).mean()
# 计算 RSI
rs = avg_gains / avg_losses
rsi = 100 - (100 / (1 + rs))
# 处理特殊情况
rsi = rsi.fillna(0).replace([float("inf"), -float("inf")], 100)
return rsi
2. 布林带（Bollinger Bands）
布林带是识别超买超卖的重要工具，pine-ta 支持多种移动平均类型：
# 计算布林带
basis, upper, lower = TechnicalIndicators.bollinger_bands(
df,
length=20, # 周期
mult=2 # 标准差倍数
)
# 添加到数据框
df['bb_basis'] = basis # 中轨
df['bb_upper'] = upper # 上轨
df['bb_lower'] = lower # 下轨
3. ADX（平均趋向指数）
ADX 用于判断趋势强度，是趋势跟踪策略的核心指标：
# 计算 ADX
df['adx'
] = TechnicalIndicators.adx(df, period=14)
# ADX 解读
# ADX < 25：趋势较弱
# 25 <= ADX < 50：趋势中等
# ADX >= 50：趋势很强
实战应用案例
案例 1：构建简单的 RSI 交易策略
import pandas as pd
from pine_ta import TechnicalIndicators
def rsi_strategy(df, rsi_period=14, oversold=30, overbought=70):
"""
基于 RSI 的简单交易策略
- RSI < 30：超卖，买入信号
- RSI > 70：超买，卖出信号
"""
# 计算 RSI
df['rsi'] = TechnicalIndicators.rsi(df, period=rsi_period)
# 生成交易信号
df['signal'] = 0 # 初始化信号列
df.loc[df['rsi'] < oversold, 'signal'] = 1 # 买入信号
df.loc[df['rsi'] > overbought, 'signal'] = -1 # 卖出信号
return df
# 使用示例
# 假设你已经有了股票数据
trading_df = rsi_strategy(your_stock_df)
buy_signals = trading_df[trading_df['signal'] == 1]
sell_signals = trading_df[trading_df['signal'] == -1]
案例 2：多指标组合策略
def multi_indicator_strategy(df):
"""
组合多个技术指标的交易策略
"""
# 计算各种指标
df['rsi'] = TechnicalIndicators.rsi(df, period=14)
df['macd'], df['signal'], _ = TechnicalIndicators.macd(df)
df['adx'] = TechnicalIndicators.adx(df, period=14)
# 定义买入条件
buy_conditions = (
(df['rsi'] 40) & # RSI 显示超卖
(df['macd'] > df['signal']) &
# MACD 金叉
(df['adx'] > 25) # 存在明显趋势
)
# 定义卖出条件
sell_conditions = (
(df['rsi'] > 60) & # RSI 显示超买
(df['macd'] < df['signal']) # MACD 死叉
)
# 生成信号
df['action'] = 'hold'
df.loc[buy_conditions, 'action'] = 'buy'
df.loc[sell_conditions, 'action'] = 'sell'
return df
pine-ta 的优势
无依赖困扰：不像 TA-Lib 需要编译 C 扩展，pine-ta 是纯 Python 实现，安装即用
Pine Script 兼容：如果你熟悉 TradingView，可以无缝迁移你的策略到 Python
性能优异：基于 pandas 和 NumPy 的向量化计算，处理大量数据也游刃有余
开源透明：MIT 协议，代码完全开放，你可以查看每个指标的具体实现
总结
pine-ta 为 Python 量化交易生态系统带来了一股清新之风。它巧妙地将 Pine Script 的简洁性与 Python 的强大功能结合在一起，让技术指标的计算变得前所未有的简单。
无论你是量化交易新手还是经验丰富的开发者，pine-ta 都能帮助你更高效地实现交易策略。它的纯 Python 实现、Pine Script 兼容性以及简洁的 API 设计，使其成为 2025 年最值得关注的 Python 交易库之一。
如果你正在寻找一个轻量级、易用且功能强大的技术指标库，pine-ta 绝对值得一试。现在就开始使用它，让你的 Python 交易策略更上一层楼！
参考文章
加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取完整研究解析、详细回测框架代码实现和完整策略逻辑实操指南。
财经数据与量化投研知识社区
核心权益如下：
- 赠送《财经数据宝典》完整文档，汇集多年财经数据维护经验
- 赠送《量化投研宝典》完整文档，汇集多年量化投研领域经验
- 赠送《PyBroker-入门及实战》视频课程，手把手学习量化策略开发
星球已有丰富内容积累，包括量化投研论文、财经高频数据、 PyBroker 视频教程、定期直播、数据分享和答疑解难。适合对量化投研和财经数据分析有兴趣的学习者及从业者。欢迎加入我们！
