TA-Lib

TA-Lib 上手最关键的是先搞定 C 库依赖，再学指标调用和形态识别，最后注意数据顺序和 NaN。下面按这个顺序走一遍。

1. 安装，先别急着 pip install

TA-Lib 的 Python 包只是封装，底层依赖 TA-Lib C 库，如果没装 C 库直接 pip 安装，大概率报 fatal error: ta-lib/ta_libc.h: No such file or directory，因为 PyPI 源码包只含 Python 绑定层，不含完整 C 核心模块。

macOS

brew install ta-lib
pip install TA-Lib

Ubuntu/Debian

sudo apt-get update
sudo apt-get install libta-lib-dev ta-lib0-bin
pip install TA-Lib

也可以先强制用二进制包，避开源码编译：pip install TA-Lib --only-binary=all

Windows
最稳的是装预编译 whl。先 python --version 确认版本，再下载对应文件，比如 TA_Lib-0.4.24-cp310-cp310-win_amd64.whl，其中 cp310 对应 Python3.10，win_amd64 对应 64 位系统，放到纯英文路径后执行 pip 安装。如果报 not a supported wheel on this platform，就是版本或位数没对上。

Conda

conda config --add channels conda-forge
conda install ta-lib

版本对应关系要留意，0.4.x 系列大致支持 Python 3.6 到 3.9 和 NumPy 1.x，0.5.x 过渡支持 NumPy 2.x，0.6.x 支持 Python 3.9 到 3.13 并对应较新的 TA-Lib C 库。0.6.x 系列提供预编译 wheel，覆盖 Linux、macOS、Windows 全平台。

验证安装：

import talib
print(talib.__version__)
print(len(talib.get_functions()))

2. 准备数据，两个硬性要求

输入必须是一维浮点数组，通常 float64，并且按时间升序排列，输出数组长度和输入一致，前 M 个值因为回溯期不足是 NaN，M 是指标回溯期。

用 akshare 拉 A 股日线举例：

import akshare as ak
import pandas as pd
import talib

df = ak.stock_zh_a_hist(symbol="000001", period="daily",
                        start_date="20200101", end_date="20241231",
                        adjust="qfq")
df = df.rename(columns={"日期":"date","开盘":"open","最高":"high",
                        "最低":"low","收盘":"close","成交量":"volume"})
df["date"] = pd.to_datetime(df["date"])
df = df.sort_values("date").reset_index(drop=True)

close = df["close"].astype("float64").values
high = df["high"].astype("float64").values
low = df["low"].astype("float64").values
open_ = df["open"].astype("float64").values

A 股一定要用复权数据，否则除权除息会让指标和回测严重失真。

3. 常用指标调用

df["SMA20"] = talib.SMA(close, timeperiod=20)
df["EMA20"] = talib.EMA(close, timeperiod=20)
df["RSI14"] = talib.RSI(close, timeperiod=14)

df["MACD"], df["MACD_signal"], df["MACD_hist"] = talib.MACD(
    close, fastperiod=12, slowperiod=26, signalperiod=9
)

df["upper"], df["middle"], df["lower"] = talib.BBANDS(
    close, timeperiod=20, nbdevup=2, nbdevdn=2, matype=0
)

df["ATR"] = talib.ATR(high, low, close, timeperiod=14)
df["OBV"] = talib.OBV(close, df["volume"].astype("float64").values)

MACD 返回三个值，分别是 MACD 线、信号线和柱状图，BBANDS 返回上轨、中轨、下轨。

4. K线形态识别

以 CDL 开头的函数是形态识别，普遍需要 open、high、low、close 四个序列，返回 100 表示看涨、-100 表示看跌、0 表示无信号。

df["hammer"] = talib.CDLHAMMER(open_, high, low, close)
df["engulfing"] = talib.CDLENGULFING(open_, high, low, close)
df["three_black"] = talib.CDL3BLACKCROWS(open_, high, low, close)
df["doji"] = talib.CDLDOJI(open_, high, low, close)

常见形态里，三只乌鸦是强烈看跌反转，三个白武士是强烈看涨，乌云盖顶是看跌反转，锤子线常见于底部看涨，上吊线常见于顶部看跌，十字星代表市场犹豫。

5. 生成简单交易信号

df["buy"] = (df["RSI14"] < 30) & (df["close"] < df["lower"])
df["sell"] = (df["RSI14"] > 70) & (df["close"] > df["upper"])
print(df[["date","close","RSI14","buy","sell"]].tail(20))

这只是演示信号写法，不代表能赚钱。RSI 和 MACD 在震荡和趋势切换时很容易给错信号。

6. 接 Backtrader 使用

Backtrader 内置了 TA-Lib 指标封装，可以直接用：

import backtrader as bt

class RsiMacd(bt.Strategy):
    def __init__(self):
        self.rsi = bt.talib.RSI(self.data.close, timeperiod=14)
        self.macd, self.signal, self.hist = bt.talib.MACD(
            self.data.close, fastperiod=12, slowperiod=26, signalperiod=9
        )

    def next(self):
        if not self.position and self.rsi[0] < 30 and self.hist[0] > 0:
            self.buy()
        elif self.position and self.rsi[0] > 70:
            self.close()

如果 Backtrader 里 bt.talib 报错，通常还是本机 C 库没装好。

7. 常见坑速查

8. 和 pandas-ta 怎么选

TA-Lib 是 C 核心，性能强，适合生产回测和实时计算，但安装容易踩依赖坑，返回 NumPy 数组需要手动转回 DataFrame。pandas-ta 纯 Python，pip 一键安装，支持 df.ta 访问器，结果直接是 Series 或 DataFrame，适合探索研究和教学，但大数据量下明显更慢。如果只是想快速验证想法，用 pandas-ta 更省心，如果做生产级批量因子和实时信号，TA-Lib 更合适。

另外用 Pandas 原生滚动窗口复刻指标时，简单均线类结果通常和 TA-Lib 一致，MACD 这类依赖指数迭代的可能有微量浮点误差，一般不影响金叉死叉判断。

9. 建议练习路线

1. 先跑通 import talib，确认环境没问题
2. 拉一只票的复权日线，算 SMA、EMA、RSI
3. 加 MACD 和布林带，画出来和行情软件对比
4. 跑几个 CDL 形态函数，看信号出现在什么位置
5. 组合 RSI 加布林带生成买卖信号
6. 接进 Backtrader 跑回测，加佣金滑点看真实差距
7. 再考虑多进程或向量化优化批量计算