Python股票量化实战：完整复刻通达信ENE轨道线指标计算

Dxy1239310216

265人浏览 · 2026-07-18 17:11:13

Dxy1239310216 · 2026-07-18 17:11:13 发布

前言

做A股波段交易的朋友基本都接触过ENE轨道线，对比布林带，ENE参数固定、震荡区间判断更贴合国内个股走势，专门用来做高抛低吸、识别趋势突破。

网上很多Python实现ENE的代码存在致命错误：误用EMA指数均线代替MA简单均线，最终计算结果和通达信、东方财富完全对不上。本文严格按照通达信原版公式实现，仅使用pandas、numpy基础库，无第三方量化依赖，包含指标计算、可视化绘图、自动交易信号判断，所有代码可直接复制运行，可集成到回测系统、量化分析工具中。

风险提示：本文仅为Python编程与量化指标教学，不构成任何股票投资建议。

一、ENE指标原理与通达信标准计算公式

1. 指标构成

ENE轨道线一共三条线：中轨ENE、上轨UPPER（压力线）、下轨LOWER（支撑线）。
A股软件统一默认参数：N=10，M1=11，M2=9。

2. 通达信原生公式

MA:=MA(CLOSE,10);
UPPER:=(1+11/100)*MA;
LOWER:=(1-9/100)*MA;
ENE:=(UPPER+LOWER)/2;

拆解数学公式：

$M A = N$ 日收盘价简单移动平均值（SMA）
$U P P E R = M A \times (1 + M 1 \div 100)$
$L O W E R = M A \times (1 - M 2 \div 100)$
$E N E = (U P P E R + L O W E R) \div 2$

3. ENE基础交易逻辑

震荡行情：股价在上轨、下轨之间来回波动，靠近上轨减仓，回踩下轨低吸；
向上突破：股价持续站稳上轨上方，多头趋势开启，顺势持有；
向下跌破：股价有效跌破下轨，支撑失效，短期规避下跌风险；
中轨分水岭：股价运行在ENE中轨之上属于多头格局，下方为空头格局。

二、环境依赖安装

执行命令安装数据分析和绘图库：

pip install pandas numpy matplotlib

三、Python完整实现ENE指标计算

3.1 通用封装计算函数

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def calc_ene(df, close_col="close", n=10, m1=11, m2=9):
    """
    严格复刻通达信ENE轨道线计算逻辑
    :param df: 股票K线DataFrame数据集
    :param close_col: 收盘价字段名称
    :param n: 均线周期 默认10
    :param m1: 上轨上浮百分比 默认11
    :param m2: 下轨下沉百分比 默认9
    :return: 新增MA、UPPER、LOWER、ENE四列的DataFrame
    """
    data = df.copy()
    # 核心：使用简单移动平均rolling mean，不能用ewm指数均线
    data["MA"] = data[close_col].rolling(window=n).mean()
    # 计算上下轨道
    data["UPPER"] = data["MA"] * (1 + m1 / 100)
    data["LOWER"] = data["MA"] * (1 - m2 / 100)
    # 计算ENE中轨
    data["ENE"] = (data["UPPER"] + data["LOWER"]) / 2
    return data

3.2 模拟行情数据测试运行

构造150天模拟股价，调用函数计算并打印结果：

if __name__ == "__main__":
    # 生成模拟K线数据
    np.random.seed(999)
    price = 18
    close_list = []
    for _ in range(150):
        price += np.random.normal(0, 0.2)
        close_list.append(round(price, 2))

    df = pd.DataFrame({
        "date": pd.date_range(start="2026-01-01", periods=150, freq="D"),
        "close": close_list
    })

    # 计算ENE指标
    df = calc_ene(df)
    # 输出最后15行数据
    print(df[["date", "close", "MA", "ENE", "UPPER", "LOWER"]].tail(15))

运行说明：前n-1行数据为NaN，滚动均线需要足够周期数据，属于正常现象，回测时需过滤空值。

四、ENE指标可视化绘图

还原行情软件展示样式，绘制股价曲线+三条轨道，并填充通道区间：

def plot_ene_chart(df):
    # 解决matplotlib中文、负号乱码问题
    plt.rcParams["font.sans-serif"] = ["SimHei"]
    plt.rcParams["axes.unicode_minus"] = False

    plt.figure(figsize=(14, 7))
    # 绘制收盘价
    plt.plot(df["date"], df["close"], color="#ff4d4f", linewidth=1.8, label="收盘价")
    # 绘制三条轨道线
    plt.plot(df["date"], df["UPPER"], color="#1890ff", linewidth=1.2, label="上轨UPPER(压力)")
    plt.plot(df["date"], df["ENE"], color="#52c41a", linewidth=1.2, label="ENE中轨")
    plt.plot(df["date"], df["LOWER"], color="#fa8c16", linewidth=1.2, label="下轨LOWER(支撑)")
    # 填充轨道区间，直观展示波动通道
    plt.fill_between(df["date"], df["UPPER"], df["LOWER"], alpha=0.12, color="#91caff")

    plt.title("股价走势与ENE轨道线指标", fontsize=14)
    plt.xlabel("日期")
    plt.ylabel("股价")
    plt.legend(loc="best")
    plt.grid(alpha=0.3)
    plt.tight_layout()
    plt.show()

# 调用绘图
plot_ene_chart(df)

五、自动识别ENE交易信号

封装信号生成逻辑，自动识别低吸、高抛、突破、破位信号，可直接用于策略回测：

def get_ene_signal(df, tolerance=0.01):
    """
    生成ENE交易信号
    :param tolerance: 触碰轨道容差，避免微小价格波动频繁触发信号
    :return: 新增ene_signal字段
    信号标识：buy低吸、sell高抛、break_up向上突破、break_down向下破位、None无信号
    """
    data = df.copy()
    signal_arr = []
    for _, row in data.iterrows():
        close = row["close"]
        upper = row["UPPER"]
        lower = row["LOWER"]
        # 均线未生成，跳过
        if np.isnan(upper) or np.isnan(lower):
            signal_arr.append(None)
            continue
        # 触碰下轨，低吸信号
        if close <= lower * (1 + tolerance):
            signal_arr.append("buy")
        # 触碰上轨，高抛信号
        elif close >= upper * (1 - tolerance):
            signal_arr.append("sell")
        # 有效突破上轨
        elif close > upper:
            signal_arr.append("break_up")
        # 有效跌破下轨
        elif close < lower:
            signal_arr.append("break_down")
        else:
            signal_arr.append(None)
    data["ene_signal"] = signal_arr
    return data

# 生成交易信号
df = get_ene_signal(df)

# 筛选打印所有买卖信号
buy_points = df[df["ene_signal"] == "buy"]
sell_points = df[df["ene_signal"] == "sell"]

print("====ENE下轨低吸信号====")
print(buy_points[["date", "close", "LOWER"]])
print("\n====ENE上轨高抛信号====")
print(sell_points[["date", "close", "UPPER"]])