企业官网建设流程全解析

61 个 CDL 函数怎么用:TA-Lib Python 蜡烛图形态识别实战指南

【免费下载链接】ta-lib-pythonPython wrapper for TA-Lib (http://ta-lib.org/).项目地址: https://gitcode.com/gh_mirrors/ta/ta-lib-python

TA-Lib Python 把 61 个蜡烛图形态识别算法统一封装成 CDL 前缀函数:输入 open/high/low/close 四个数组,输出每根 K 线一个整数形态信号。下面按"选型、调用、调参"三步,帮你把形态信号真正用起来。

信号怎么读:输入输出一次讲清

先给结论:形态函数没有 timeperiod,输入四个等长的 OHLC 浮点数组,输出一个等长的 int32 数组,取值只有三种。

这和均线类函数不同:SMA、RSI 这类指标的前段填 NaN,形态函数的前段填 0。所以你过滤信号时直接写== 100或== -100即可,不用处理缺失值。

前段多少个 0 不是随机的。仓库测试 tests/test_func.py 里的样例很直观:20 根 K 线输入,CDL3BLACKCROWS的前 17 个位置全是 0,第 18 个位置输出-100(三只乌鸦成立),其余为 0。

61 个形态怎么选:按 K 线根数分组

建议先按"形态占几根 K 线"缩小范围,再在具体形态里挑,不必 61 个全上。方向倾向列供你判断信号语义:双向表示多空都可能触发,中性表示只做提示、不给方向。

单根 K 线(17 个)

适合盯"一根 K 线里的反转苗头":十字星系列代表多空平衡,锤子线上吊线射击之星用来试探趋势拐点。

双根组合(16 个)

两根 K 线互相"表态",是量化里最常用的反转/衰竭信号来源,吞没和刺透尤其高频。

三根及以上复合形态(28 个)

信号强度通常更高,但触发频率低,适合做确认层而不是入场层。

三种调用方式怎么选

结论:整段历史回测用 Function API,数据管道里带着 DataFrame 走用 Abstract API,接实时行情用 Stream API。三种方式算出的是同一套数,可以按场景各取所需。

一次性回测:Function API

直接拿四个 numpy 数组,一行一个形态,输出和输入等长:

import numpy as np import talib n = 120 o = np.random.random(n) + 1.0 c = np.random.random(n) + 1.0 h = np.maximum(o, c) + 0.05 l = np.minimum(o, c) - 0.05 engulf = talib.CDLENGULFING(o, h, l, c) star = talib.CDLMORNINGSTAR(o, h, l, c, penetration=0.3) buy = np.where(star == 100)[0] # 晨星成立的看涨位置 sell = np.where(engulf == -100)[0] # 吞没成立的看跌位置 print(buy, sell)

DataFrame 集成:Abstract API

你的行情已经是 pandas 表时,不必手动拆列取数组,把整个 DataFrame 交给 Abstract 层,输入是 dict(键为 open/high/low/close)或 DataFrame 都可以,polars 同样支持:

import pandas as pd from talib import abstract df = pd.DataFrame({'open': o, 'high': h, 'low': l, 'close': c}) out = abstract.Function('CDLDOJI', df).outputs print(type(out)) # pandas.Series,数值与 Function API 一致

需要看函数元信息时,func.info会给出名字、分组、输入列和参数,func.lookback直接返回底层 C 库的 lookback 值,方便你预留 warm-up 区间。

实时增量:Stream API

行情每来一根就判断一次时,用talib.stream。句柄先吃历史、再逐根更新,底层实现见 talib/_stream.pxi:

from talib import stream handle = stream.CDLENGULFING(o, h, l, c) # 历史建立句柄 print(handle.value) # 最新一根的信号:-100/0/100 signal = handle.update(o_new, h_new, l_new, c_new) # 新 K 线收盘,增量出信号 preview = handle.peek(o_f, h_f, l_f, c_f) # 未收盘的 bar 可先试算

两个细节:开句柄需要至少 lookback+1 根历史,不够会抛talib.InsufficientHistory;K 线还没最终确认时用peek反复试算,确认后用update落库,不会污染句柄状态。

penetration 参数怎么调 🎚

61 个形态里只有 7 个多一个penetration浮点参数,用来控制 K 线实体穿透/重叠比例的判定阈值:取值越大,判定越宽松,触发越多;越小越严格。

有一个容易混淆的点:文档签名和类型桩talib/_ta_lib.pyi里标注的是penetration: float = 0,但编译用的 Cython 源码talib/_func.pxi写的是 0.3 或 0.5,运行时以源码为准。所以最稳妥的做法是显式传值,不要依赖默认。调参建议:先用默认值跑一遍基线,再逐步放大,对比触发数量和回测效果,别一次拉满。

tight = talib.CDLMORNINGSTAR(o, h, l, c, penetration=0.1) loose = talib.CDLMORNINGSTAR(o, h, l, c, penetration=0.6) print(np.sum(tight == 100), np.sum(loose == 100)) # 对比两组触发数

你可能踩的 5 个坑

Q1:输出开头为什么全是一串 0?那是 lookback 前段。形态没凑够 K 线之前给不出信号,封装层直接用 0 填充,不是 NaN。输入开头若有 NaN,会先被跳过再算 lookback。

Q2:四个数组长度不一致会怎样?封装层先做等长校验(源码里的check_length4),长度不一致直接抛错,不会自动截断。四个数组全空时返回空数组。

Q3:Stream 的结果和批量算的一致吗?一致。Stream 模块明确说明它产出的每个值与 Function API 对同一根 K 线的结果逐位相同,仓库测试也断言handle.value等于批量输出数组的末位。注意:句柄对象本身不能 pickle,能 pickle 的是handle.value和handle.out_range;要分叉用handle.copy()。

Q4:能直接传 DataFrame 吗?可以。Function API 传 pandas 或 polars 的 Series(比如df['close'])即可,会自动转成 numpy float64 计算,并返回同类型、保留 index 的 Series;Abstract API 收 dict 或整个 DataFrame。pandas 和 polars 不能在同一次调用里混用。

Q5:历史数据不够长怎么办?Function API 不报错,只是前段多几个 0;Stream API 历史不足时开句柄会抛talib.InsufficientHistory,异常信息里还告诉你差多少根。

延伸阅读

• 形态识别函数参考
• Function API 指南
• Abstract API 快速上手
• 全部函数列表
• 安装指南

【免费下载链接】ta-lib-pythonPython wrapper for TA-Lib (http://ta-lib.org/).项目地址: https://gitcode.com/gh_mirrors/ta/ta-lib-python