在股票投资领域，通达信指标是一种常用的技术分析工具，它可以帮助投资者更好地理解和预测市场的走势。以下是通达信十大必看指标，帮助投资者轻松掌握投资密码。
1. 移动平均线（MA）
移动平均线（MA）是最常用的技术分析指标之一，它通过计算一定时间段内股价的平均值来反映价格的趋势。常见的移动平均线有5日、10日、20日、60日和120日等。
应用实例：
import numpy as np
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 计算5日移动平均线
ma_5 = np.convolve(prices, np.ones(5)/5, mode='valid')
print("5日移动平均线：", ma_5)
2. 相对强弱指数（RSI）
相对强弱指数（RSI）是一种动量指标，用于评估股票的超买和超卖状态。RSI的取值范围在0到100之间，通常认为RSI高于70表示超买，低于30表示超卖。
应用实例：
def calculate_rsi(prices, days=14):
delta = np.diff(prices)
gain = (delta[n] > 0) * delta[n] for n in range(len(delta))
loss = -delta[n] for n in range(len(delta))
avg_gain = np.mean(gain)
avg_loss = np.mean(loss)
rs = avg_gain/avg_loss
rsi = 100 - (100 / (1 + rs))
return rsi
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 计算14日RSI
rsi_14 = calculate_rsi(prices)
print("14日RSI：", rsi_14)
3. 随机振荡器（KDJ）
随机振荡器（KDJ）是一种动量指标，通过计算收盘价与一定时期内的最高价、最低价之间的关系，来评估股票的超买和超卖状态。
应用实例：
def calculate_kdj(prices, days=9):
highest = np.maximum.accumulate(prices)
lowest = np.minimum.accumulate(prices)
rsv = (prices - lowest) / (highest - lowest) * 100
k = ((2 * rsv[1] + 3 * rsv[2] + 2 * rsv[3]) / 6)
d = ((2 * k[1] + 3 * k[2] + 2 * k[3]) / 6)
return k, d
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 计算9日KDJ
k, d = calculate_kdj(prices)
print("9日KDJ：", k, d)
4. 成交量（VOL）
成交量是指在一定时间内股票成交的数量，它是衡量市场活跃程度的重要指标。通常，成交量与股价的上涨或下跌趋势相一致。
应用实例：
def calculate_volumes(prices, volumes):
# 假设prices和volumes是相同长度的数组
volumes = np.array(volumes)
vol_ratio = volumes / np.sum(volumes)
return vol_ratio
# 假设有一组股价和对应成交量数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
volumes = [100, 200, 300, 400, 500, 600, 700, 800, 900, 1000]
# 计算成交量占比
vol_ratio = calculate_volumes(prices, volumes)
print("成交量占比：", vol_ratio)
5. 平均真实范围（ATR）
平均真实范围（ATR）是一种衡量价格波动性的指标。ATR的计算公式为：
ATR = (最高价 - 最低价 + |最高价 - 前一日收盘价| + |最低价 - 前一日收盘价|) / 3
应用实例：
def calculate_atr(prices):
atr = []
for i in range(1, len(prices)):
high = prices[i]
low = prices[i]
prev_high = prices[i - 1]
prev_low = prices[i - 1]
atr.append((high - low + abs(high - prev_high) + abs(low - prev_low)) / 3)
return atr
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 计算ATR
atr = calculate_atr(prices)
print("ATR：", atr)
6. 乖离率（BIAS）
乖离率（BIAS）是衡量股价与移动平均线之间偏离程度的指标。乖离率的计算公式为：
BIAS = (当前价 - 移动平均线) / 移动平均线 * 100
应用实例：
def calculate_bias(prices, ma):
bias = (prices - ma) / ma * 100
return bias
# 假设有一组股价数据和对应的10日移动平均线
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
ma_10 = np.convolve(prices, np.ones(10)/10, mode='valid')
# 计算BIAS
bias = calculate_bias(prices, ma_10)
print("BIAS：", bias)
7. 百分位比（PB）
百分位比（PB）是衡量股价相对于历史股价水平的指标。PB的计算公式为：
PB = (当前价 - 历史最低价) / (历史最高价 - 历史最低价) * 100
应用实例：
def calculate_pb(prices, low, high):
pb = (prices - low) / (high - low) * 100
return pb
# 假设有一组股价数据、历史最低价和历史最高价
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
low = 10
high = 19
# 计算PB
pb = calculate_pb(prices, low, high)
print("PB：", pb)
8. 趋势线
趋势线是一种通过连接股票价格图表上的高点或低点来识别趋势的工具。上升趋势线连接的是一系列低点，而下降趋势线连接的是一系列高点。
应用实例：
import matplotlib.pyplot as plt
def plot_trendline(prices):
low_points = np.argmin(prices[1:] - prices[:-1])
high_points = np.argmax(prices[1:] - prices[:-1])
# 生成趋势线
x = np.arange(len(prices))
y = prices
plt.figure(figsize=(10, 5))
plt.plot(x, y, label='Prices')
if low_points.size > 0:
plt.plot(x[low_points], y[low_points], 'ro', label='Low Points')
plt.plot([x[low_points[0]], x[-1]], [y[low_points[0]], y[-1]], 'r--', label='Up Trend Line')
if high_points.size > 0:
plt.plot(x[high_points], y[high_points], 'bo', label='High Points')
plt.plot([x[high_points[0]], x[-1]], [y[high_points[0]], y[-1]], 'b--', label='Down Trend Line')
plt.legend()
plt.show()
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 绘制趋势线
plot_trendline(prices)
9. 蓝带线（Bollinger Bands）
蓝带线（Bollinger Bands）是一种衡量市场波动性和趋势强度的指标。它由三个线组成：中间的简单移动平均线（SMA）和上下两条标准差线。
应用实例：
import numpy as np
def calculate_bollinger_bands(prices, days=20):
sma = np.convolve(prices, np.ones(days)/days, mode='valid')
std = np.std(prices[-days:])
upper_band = sma + std * 2
lower_band = sma - std * 2
return sma, upper_band, lower_band
# 假设有一组股价数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
# 计算Bollinger Bands
sma, upper_band, lower_band = calculate_bollinger_bands(prices)
print("SMA：", sma)
print("Upper Band：", upper_band)
print("Lower Band：", lower_band)
10. 成交量加权移动平均线（VWAP）
成交量加权移动平均线（VWAP）是一种考虑成交量影响的移动平均线。VWAP的计算公式为：
VWAP = (累积成交量 * 当前价) / 累积成交量
应用实例：
def calculate_vwap(prices, volumes):
# 假设prices和volumes是相同长度的数组
weighted_prices = prices * volumes
vwap = np.cumsum(weighted_prices) / np.cumsum(volumes)
return vwap
# 假设有一组股价和对应成交量数据
prices = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
volumes = [100, 200, 300, 400, 500, 600, 700, 800, 900, 1000]
# 计算VWAP
vwap = calculate_vwap(prices, volumes)
print("VWAP：", vwap)
通过以上十大必看指标的详细介绍和实例，投资者可以更好地理解和运用这些指标，从而在股票市场中取得更好的投资回报。然而，需要注意的是，任何技术分析指标都只是辅助工具，不能完全依赖它们来做出投资决策。投资者应结合自己的投资经验和市场判断力，综合运用多种指标进行分析。