在Python2.7中计算在binance web界面中显示的正确MACD和RSI索引

我一直在试图计算和绘制Binance上加密硬币的价格、MACD和RSI指数（数据是通过Binance获得的），但我担心要么我的指数不准确，要么Binance使用了不同的算法。 我一直在使用Matplotlib教程中的MACD和RSI函数，它们产生的结果与我在别处找到的其他算法相同，因此该算法应该是准确的，但我得到了错误的结果（从比较图中可以看出）。 特别是，RSI似乎是正确的，但MACD（以及MACD和信号线）与binance网站交易视图显示的不同（参见图片）

我做错了什么

#!/usr/bin/python
# -*- coding: utf8 -*-


import numpy as np
import matplotlib.pyplot as plt



######   data


prices = np.array([ 0.00061422,  0.00061422,  0.00061593,  0.00061672,  0.0006161 ,
        0.00061233,  0.000615  ,  0.00061305,  0.00061346,  0.00061417,
        0.00061428,  0.00061418,  0.0006115 ,  0.00061203,  0.0006125 ,
        0.00061295,  0.00061296,  0.00061295,  0.00061242,  0.00061144,
        0.00060874,  0.00060661,  0.00060512,  0.00060931,  0.000611  ,
        0.0006129 ,  0.00061296,  0.000613  ,  0.00061138,  0.0006115 ,
        0.0006123 ,  0.0006123 ,  0.00061288,  0.00061494,  0.000615  ,
        0.0006146 ,  0.00061488,  0.00061399,  0.00061285,  0.0006129 ,
        0.0006129 ,  0.00061291,  0.0006134 ,  0.00061338,  0.00061355,
        0.0006139 ,  0.00061475,  0.0006167 ,  0.0006158 ,  0.000617  ,
        0.00061638,  0.00061452,  0.0006164 ,  0.00061641,  0.00061646,
        0.00061898,  0.0006198 ,  0.00061818,  0.00061922,  0.00061979,
        0.00061977,  0.00061924,  0.00061626,  0.00061488,  0.000616  ,
        0.000616  ,  0.00061693,  0.0006165 ,  0.0006165 ,  0.00061699,
        0.00061685,  0.00061687,  0.00061691,  0.000617  ,  0.00061784,
        0.00061899,  0.0006177 ,  0.000617  ,  0.00061732,  0.0006176 ,
        0.0006174 ,  0.00061739,  0.00061739,  0.00061794,  0.0006185 ,
        0.0006185 ,  0.00061785,  0.00061735,  0.00061743,  0.00061742,
        0.00061429,  0.0006152 ,  0.00061451,  0.00061514,  0.0006143 ,
        0.000614  ,  0.0006154 ,  0.0006148 ,  0.00061444,  0.00061572])


######   functions


def moving_average(x, n, type='simple'):
    """
    compute an n period moving average.

    type is 'simple' | 'exponential'

    """
    x = np.asarray(x)
    if type == 'simple':
        weights = np.ones(n)
    else:
        weights = np.exp(np.linspace(-1., 0., n))

    weights /= weights.sum()

    a = np.convolve(x, weights, mode='full')[:len(x)]
    a[:n] = a[n]
    return a


def relative_strength(prices, n=14):
    """
    compute the n period relative strength indicator
    http://stockcharts.com/school/doku.php?id=chart_school:glossary_r#relativestrengthindex
    http://www.investopedia.com/terms/r/rsi.asp
    """

    deltas = np.diff(prices)
    seed = deltas[:n+1]
    up = seed[seed >= 0].sum()/n
    down = -seed[seed < 0].sum()/n
    rs = up/down
    rsi = np.zeros_like(prices)
    rsi[:n] = 100. - 100./(1. + rs)

    for i in range(n, len(prices)):
        delta = deltas[i - 1]  # cause the diff is 1 shorter

        if delta > 0:
            upval = delta
            downval = 0.
        else:
            upval = 0.
            downval = -delta

        up = (up*(n - 1) + upval)/n
        down = (down*(n - 1) + downval)/n

        rs = up/down
        rsi[i] = 100. - 100./(1. + rs)

    return rsi


def moving_average_convergence(x, nslow=26, nfast=12):
    """
    compute the MACD (Moving Average Convergence/Divergence) using a fast and slow exponential moving avg'
    return value is emaslow, emafast, macd which are len(x) arrays
    """
    emaslow = moving_average(x, nslow, type='exponential')
    emafast = moving_average(x, nfast, type='exponential')
    return emaslow, emafast, emafast - emaslow


######   code


nslow = 26
nfast = 12
nema = 9
emaslow, emafast, macd = moving_average_convergence(prices, nslow=nslow, nfast=nfast)
ema9 = moving_average(macd, nema, type='exponential')
rsi = relative_strength(prices)

wins = 80


plt.figure(1)

### prices

plt.subplot2grid((8, 1), (0, 0), rowspan = 4)
plt.plot(prices[-wins:], 'k', lw = 1)


### rsi

plt.subplot2grid((8, 1), (5, 0))
plt.plot(rsi[-wins:], color='black', lw=1)
plt.axhline(y=30,     color='red',   linestyle='-')
plt.axhline(y=70,     color='blue',  linestyle='-')


## MACD

plt.subplot2grid((8, 1), (6, 0))

plt.plot(ema9[-wins:], 'red', lw=1)
plt.plot(macd[-wins:], 'blue', lw=1)


plt.subplot2grid((8, 1), (7, 0))

plt.plot(macd[-wins:]-ema9[-wins:], 'k', lw = 2)
plt.axhline(y=0, color='b', linestyle='-')

plt.show()

#/usr/bin/python
#-*-编码：utf8-*-
将numpy作为np导入
将matplotlib.pyplot作为plt导入
######资料
价格=np.数组（[0.00061422,0.00061422,0.00061593,0.00061672,0.0006161，
0.00061233,  0.000615  ,  0.00061305,  0.00061346,  0.00061417,
0.00061428,  0.00061418,  0.0006115 ,  0.00061203,  0.0006125 ,
0.00061295,  0.00061296,  0.00061295,  0.00061242,  0.00061144,
0.00060874,  0.00060661,  0.00060512,  0.00060931,  0.000611  ,
0.0006129 ,  0.00061296,  0.000613  ,  0.00061138,  0.0006115 ,
0.0006123 ,  0.0006123 ,  0.00061288,  0.00061494,  0.000615  ,
0.0006146 ,  0.00061488,  0.00061399,  0.00061285,  0.0006129 ,
0.0006129 ,  0.00061291,  0.0006134 ,  0.00061338,  0.00061355,
0.0006139 ,  0.00061475,  0.0006167 ,  0.0006158 ,  0.000617  ,
0.00061638,  0.00061452,  0.0006164 ,  0.00061641,  0.00061646,
0.00061898,  0.0006198 ,  0.00061818,  0.00061922,  0.00061979,
0.00061977,  0.00061924,  0.00061626,  0.00061488,  0.000616  ,
0.000616  ,  0.00061693,  0.0006165 ,  0.0006165 ,  0.00061699,
0.00061685,  0.00061687,  0.00061691,  0.000617  ,  0.00061784,
0.00061899,  0.0006177 ,  0.000617  ,  0.00061732,  0.0006176 ,
0.0006174 ,  0.00061739,  0.00061739,  0.00061794,  0.0006185 ,
0.0006185 ,  0.00061785,  0.00061735,  0.00061743,  0.00061742,
0.00061429,  0.0006152 ,  0.00061451,  0.00061514,  0.0006143 ,
0.000614  ,  0.0006154 ,  0.0006148 ,  0.00061444,  0.00061572])
######功能
def移动_平均值（x，n，type='simple'）：
"""
计算n周期移动平均值。
类型为“简单”|“指数”
"""
x=np.asarray（x）
如果类型==“简单”：
权重=np.个（n）
其他：
权重=np.exp（np.linspace（-1,0,n））
权重/=权重.sum（）
a=np.卷积（x，权重，mode='full'）[：len（x）]
a[：n]=a[n]
归还
def相对强度（价格，n=14）：
"""
计算n周期相对强度指标
http://stockcharts.com/school/doku.php?id=chart_school:glossary_r#relativestrengthindex
http://www.investopedia.com/terms/r/rsi.asp
"""
增量=np.差异（价格）
种子=三角洲[：n+1]
up=seed[seed>=0].sum（）/n
down=-seed[seed<0].sum（）/n
rs=上升/下降
rsi=np.类零（价格）
rsi[：n]=100100./（1.+rs）
对于范围（n，len（价格））内的i：
delta=delta[i-1]#因为差值较短
如果增量>0：
upval=delta
downval=0。
其他：
upval=0。
downval=-delta
up=（up*（n-1）+upval）/n
向下=（向下*（n-1）+向下值）/n
rs=上升/下降
rsi[i]=100100./（1.+rs）
回归rsi
def移动平均收敛（x，nslow=26，nfast=12）：
"""
使用快速和慢速指数移动平均值计算MACD（移动平均收敛/发散）
返回值是emaslow、emafast和macd，它们是len（x）数组
"""
emaslow=移动平均值（x，nslow，type='index'）
emafast=移动平均值（x，nfast，type='index'）
返回emaslow，emafast，emafast-emaslow
######代码
nslow=26
nfast=12
nema=9
emaslow、Emasfast、macd=移动平均收敛（价格，nslow=nslow，nfast=nfast）
ema9=移动平均值（macd，nema，type='index'）
rsi=相对强度（价格）
wins=80
plt.图（1）
###价格
plt.subplot2grid（（8,1）、（0,0），rowspan=4）
plt.绘图（价格[-wins:]，'k'，lw=1）
###rsi
plt.子图2grid（（8,1）、（5,0））
plt.绘图（rsi[-wins:]，color='black'，lw=1）
plt.axhline（y=30，color='red'，linestyle='-'）
plt.axhline（y=70，color='blue'，linestyle='-'）
##MACD
plt.子图2grid（（8,1）、（6,0））
plt.绘图（ema9[-wins:]，“红色”，lw=1）
plt.绘图（macd[-wins:]，“蓝色”，lw=1）
plt.子图2grid（（8,1）、（7,0））
plt.plot（macd[-wins:]-ema9[-wins:]，'k'，lw=2）
plt.axhline（y=0，color='b'，linestyle='-'）
plt.show（）

---

我尝试了talib，这就是我想要的：）（第二张照片） 我猜它们是计算MACD的两种不同方法（但我以前尝试过非指数平均，但无论如何都不起作用，所以我仍然不知道差异背后的原因）

---

我可以问一下您是如何将您的值与Binance的值对齐的吗？我正在努力完成同样的任务，我有一个库，它给了我与talib相同的结果（我检查了，因为我认为libs中确实存在差异），改变了输入参数的数量（您也使用了100个）。。。但对我来说，输出值仍然不同于我在Binance上看到的值。也许现在，3年后，他们使用的参数与你发布这篇文章时不同？@YetiCGN抱歉，我对这一切记得很少：这已经发生了。我已经验证了我的库与talib具有完全相同的值，现在这对我来说很好。

import talib
macd, macdsignal, macdhist = talib.MACD(prices, fastperiod=12, slowperiod=26, signalperiod=9)