引入

之前我们讨论过一些偏基础的金融库，比如 stockstats 可以很快帮我们把常见指标算出来。在实战中，很快会发现“有指标”还远远不够。很多时候需要的是更复杂的信息结构，比如趋势方向、支撑位和阻力位的位置关系，信号之间的组合判断，以及最基本也最容易被忽略的回测验证。

今天来看看一些较为高阶的 Python 金融库。许多库都被称为“技术分析库”，但它们的目标其实各不相同。像 TTI 和 pandas-ta 恰好是两种走向几乎完全相反的代表。它们正好位于交易系统中的两个不同层次，一个侧重于结构和决策的雏形，另一个侧重于高阶信息的提取和配置。

## 分析
如果粗略分一下层次，大概可以理解成两层：
更底层的是“特征层”，主要工作是把价格序列加工成可以使用的结构化信息，比如各种技术指标、趋势信息、支撑阻力等，这一层尽量客观，尽量少做判断。
再上一层是“策略层”，开始引入规则，比如什么时候算买点、什么时候该卖出，这一层不可避免会掺杂人的主观选择。
在这个框架下看，TTI 更靠近策略，pandas-ta 更靠近特征。它们的差异，本质上是封装程度的差异。

TTI

TTI—更像“半成品策略引擎”。它 的设计思路是高度封装。它不仅帮你算指标，还顺手把“信号”（买点/卖点）也做了，同时还打包了图形显示和回测。用户能看到类似“当前是买、卖还是观望”的结果，这一点对初学者来说非常直观。

它的缺点是灵活性受限，只能修改指标参数，无法进行复杂的调整和组合，这在实战场景中就很难用了。

  • 无法自定义交易规则（比如：只在特定条件下才买卖）
  • 无法组合多个指标（比如：MACD + RSI 双重确认）
  • 无法控制仓位管理、止损止盈等高级策略

它更像一个“策略的样板间”，更适合用来做快速测试、概念验证和学习结构，而不是直接用于实盘逻辑。

安装方法：

1
2
pip install tti

使用示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import pandas as pd
from tti.indicators import MovingAverageConvergenceDivergence

macd = MovingAverageConvergenceDivergence(input_data=df)  # 初始化
ti_df = macd.getTiData()            # 得到 MACD 指标数据（DataFrame）
signal, signal_code = macd.getTiSignal()  # 得到当前是 buy/hold/sell
print(signal, signal_code)
macd.getTiGraph().show()

simulation_df, stats, sim_chart = macd.getTiSimulation(
    close_values = df[['close']],
    max_exposure = None,
    short_exposure_factor = 1.0  # 如果你要开空／做空，也可以设参数
)
print(stats)   # 输出回测统计信息
sim_chart.show()  # 画出回测盈亏图

这里直接计算并画出了持仓及盈亏情况。

pandas-ta

pandas-ta—更像“特征工厂”，它几乎从不帮你下结论，只负责尽可能多地把技术指标算出来。

它的输出通常就是一堆 DataFrame 列，剩下的事情几乎全交给你。怎么组合这些指标？什么是有效信号？过滤条件怎么设？全靠你自己设计。

优点也很明显，自由度极高。趋势类、震荡类指标都有现成实现，支撑阻力、趋势方向、上下轨这类东西也能开箱即用。你可以把它当成一整套“原材料库”，先把常见功能快速铺开，再一点点打磨细节。

它的门槛更高，但也更贴近真实策略开发的方式，更像是特征工程的一部分，而不是策略本身。

使用说明：https://www.pandas-ta.dev/getting-started/usage/

安装方法

1
2
pip install pandas-ta

如果 python 低于 3.12 可下载包安装：

1
2
$ curl https://www.pandas-ta.dev/assets/zip/pandas_ta-0.3.14b.tar.gz -o pandas-ta.tar.gz
$ pip3 install pandas-ta.tar.gz

使用示例：pandas-ta 计算出的阻力和支撑位

(pandas-ta 提供多种趋势计算方法，将在后续文章中详细介绍)

总结

TTI 更像一个认知工具，用来帮你快速建立“指标 - 信号 - 回测”这一整条链路的直觉；pandas-ta 更像一个生产工具，你可以用它搭建属于自己的特征层，再在上面构建策略逻辑。

很多技术形态，比如趋势线、支撑阻力，本身就很难说绝对对错。自己从零写不一定更好，但成熟库的价值，在于能让你先把骨架搭起来。先跑起来，再发现哪里不对，再慢慢细化，这往往比一开始就追求完美更现实。