Trend：ADX（平均趋向指数）技术指标详解

Trend：ADX（平均趋向指数）技术指标详解

一、ADX的定义

ADX（Average Directional Index，平均趋向指数） 是由技术分析大师威尔斯·威尔德（Welles Wilder）于1978年在《技术交易系统新概念》一书中提出的经典趋势强度指标。ADX不直接指示趋势的方向（上涨或下跌），而是专门用于衡量趋势的强度。

ADX的核心价值在于帮助交易者回答一个关键问题：当前市场到底有没有趋势？ 这个判断是决定使用趋势跟踪策略还是震荡策略的前提条件。

ADX的组成部分

完整的ADX指标实际上包含三条曲线：

注意：三条线的名称在不同平台略有差异——+DI有时写作DMP，-DI有时写作DMN。pandas_ta库返回的列名即为ADX_14、DMP_14、DMN_14。

二、ADX的计算方法

1. 第一步：计算真实波幅（True Range, TR）

TR衡量一根K线的有效波动范围，取以下三个值的最大值：
$${\mathrm{TR}}_t=\max \left({\mathrm{H}}_t-{\mathrm{L}}_t,\left|{\mathrm{H}}_t-{\mathrm{C}}_{t-1}\right|,\left|{\mathrm{L}}_t-{\mathrm{C}}_{t-1}\right|\right)$$

2. 第二步：计算方向移动（Directional Movement, DM）

• +DM：当前最高价比前日最高价向上突破的幅度，即 ${\mathrm{H}}_t-{\mathrm{H}}_{t-1}$，仅当该值为正且大于-DM时采用，否则为0
• -DM：前日最低价比当前最低价向下突破的幅度，即 ${\mathrm{L}}_{t-1}-{\mathrm{L}}_t$，仅当该值为正且大于+DM时采用，否则为0

核心逻辑：DM衡量的是多头或空头将价格推出前一日交易区间的能力。如果今天的最高价高于前一天的最高价，说明多头力量在增强。

3. 第三步：平滑处理

对TR、+DM、-DM进行Wilder平滑（周期通常为14）：
$$
\\begin{aligned}
平滑\\mathrm{TR}_t &= \\mathrm{WilderSMA}(\\mathrm{TR}, 14)_t \\
\\text{平滑+}\\mathrm{DM}_t &= \\mathrm{WilderSMA}(+\\mathrm{DM}, 14)_t \\
\\text{平滑-}\\mathrm{DM}_t &= \\mathrm{WilderSMA}(-\\mathrm{DM}, 14)_t

\\end{aligned}
$$

4. 第四步：计算方向指标（+DI和-DI）

$$

• \\mathrm{DI}_t = 100 \\times \\frac{平滑+\\mathrm{DM}_t}{平滑\\mathrm{TR}_t} \\

• \\mathrm{DI}_t = 100 \\times \\frac{平滑-\\mathrm{DM}_t}{平滑\\mathrm{TR}_t}
  $$

5. 第五步：计算DX（Directional Movement Index）

DX衡量+DI与-DI之间的差距，反映趋势强度：
$${\mathrm{DX}}_t=100\times \frac{|\text{+}{\mathrm{DI}}_t-\text{–}{\mathrm{DI}}_t|}{\text{+}{\mathrm{DI}}_t+\text{–}{\mathrm{DI}}_t}$$

6. 第六步：计算ADX

ADX是对DX进行平滑得到的最终指标：
$${\mathrm{ADX}}_t=\mathrm{WilderSMA}(\mathrm{DX},14{)}_t$$

pandas_ta的平滑方式说明：pandas_ta的ADX默认使用Wilder平滑（mamode='rma'），与威尔德原始设计一致。用户可通过mamode='sma'参数改用简单移动平均。

三、ADX的使用方法

1. 数值区间判断——趋势强度分级

2. 方向判断——+DI与-DI的交叉信号

威尔德建议：当**+DI高于-DI时买入**，当**+DI低于-DI时卖出**。

极值点规则（Wilder的改进）：在+DI与-DI交叉时，记录交叉日的最高价或最低价作为入场过滤条件：

• 买入信号（+DI上穿-DI）：必须等到价格突破交叉日的最高价后才能入场
• 卖出信号（+DI下穿-DI）：必须等到价格跌破交叉日的最低价后才能入场

3. ADX与DI的配合策略

4. ADX极值反转信号

当ADX从底部（两条DI线下方）上升4个点以上时（如从9升到13），威尔德认为这是最强烈的信号——宣告新趋势可能刚刚启动。这种信号每年通常只出现一两次，往往对应重要的趋势转折点。

5. 注意事项与局限性

• 滞后性是ADX的主要缺点：由于经过多次平滑处理，ADX对价格变化的反应较慢，更适合确认趋势而非捕捉拐点。

• 在震荡市中ADX会反复穿越20线，产生噪音信号。只有在ADX明确高于25且持续上升时才信任趋势信号。

• ADX本身不指示方向，必须结合+DI/-DI或价格结构判断多空。

四、使用pandas_ta计算ADX

1. 函数完整参数

pandas_ta.trend.adx(high, low, close, length=None, lensig=None, scalar=None, mamode=None, drift=None, offset=None, **kwargs)

注意：ta.adx()函数返回的是包含三列的DataFrame：ADX_14（趋势强度）、DMP_14（即+DI）、DMN_14（即-DI）。直接赋值给单列会报错，需要正确解包。

2. 示例代码

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

# ========== 准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和周期波动的价格序列
trend = np.linspace(0, 45, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + trend + cycle + noise

# 添加趋势变化区间
price_series = price_series.astype(float)
for i in range(300, 450):
price_series[i] = price_series[300] + (i–300) * 0.2
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df['close'] – np.abs(np.random.randn(n)) * 2 – 1

print("=" * 60)
print("数据预览：")
print(df.head())
print("\\n" + "=" * 60 + "\\n")

# ========== 计算ADX ==========
# 重要：ta.adx()返回三列DataFrame，不能直接赋值给单列
adx_df = ta.adx(df['high'], df['low'], df['close'], length=14)

# 查看返回的DataFrame结构
print("ADX返回列名称：")
print(adx_df.columns.tolist())
print("\\n" + "=" * 60 + "\\n")

# 将三列正确添加到原DataFrame
df['ADX'] = adx_df['ADX_14'] # ADX线：趋势强度
df['PLUS_DI'] = adx_df['DMP_14'] # +DI线：上升动能
df['MINUS_DI'] = adx_df['DMN_14'] # -DI线：下降动能

print("ADX计算结果（最近10行）：")
print(df[['close', 'ADX', 'PLUS_DI', 'MINUS_DI']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 生成趋势强度信号 ==========
df['trend_signal'] = ''
df.loc[df['ADX'] > 40, 'trend_signal'] = '强趋势'
df.loc[(df['ADX'] > 25) & (df['ADX'] <= 40), 'trend_signal'] = '趋势形成'
df.loc[(df['ADX'] > 20) & (df['ADX'] <= 25), 'trend_signal'] = '趋势萌芽'
df.loc[df['ADX'] <= 20, 'trend_signal'] = '无趋势/盘整'

print("趋势强度分布统计：")
print(df['trend_signal'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 生成方向信号 ==========
# +DI > -DI 且 ADX > 25 时，上升趋势确认
df['long_signal'] = (df['PLUS_DI'] > df['MINUS_DI']) & (df['ADX'] > 25)

# -DI > +DI 且 ADX > 25 时，下降趋势确认
df['short_signal'] = (df['MINUS_DI'] > df['PLUS_DI']) & (df['ADX'] > 25)

print("方向信号统计：")
print(f"上升趋势信号（+DI > -DI 且 ADX > 25）数量：{df['long_signal'].sum()}")
print(f"下降趋势信号（-DI > +DI 且 ADX > 25）数量：{df['short_signal'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 策略回测 ==========
# 策略：仅在ADX > 25且+DI > -DI时持仓多头
df['position'] = 0
df.loc[df['long_signal'], 'position'] = 1
df.loc[df['short_signal'], 'position'] = –1

df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() – 1
total_return_strategy = (1 + df['strategy_returns']).prod() – 1

print("=" * 60)
print("策略绩效统计（ADX趋势过滤策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"ADX趋势过滤策略总收益率：{total_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 可视化 ==========
plt.figure(figsize=(14, 10))

plt.subplot(2, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:],
label='Close Price', linewidth=1.5, color='black')
plt.title('Price Chart (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

plt.subplot(2, 1, 2)
plt.plot(df.index[–200:], df['ADX'][–200:],
label='ADX (14)', linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['PLUS_DI'][–200:],
label='+DI', linewidth=1, color='green')
plt.plot(df.index[–200:], df['MINUS_DI'][–200:],
label='-DI', linewidth=1, color='red')

plt.axhline(y=25, color='gray', linestyle='–', linewidth=1, label='趋势阈值 (25)')
plt.axhline(y=40, color='orange', linestyle=':', linewidth=1, label='强趋势阈值 (40)')
plt.axhline(y=20, color='purple', linestyle=':', linewidth=1, label='盘整阈值 (20)')

plt.title('ADX（平均趋向指数）- 趋势强度判断', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

3. 关键注意事项

正确解包返回值：

# 错误写法（会报错：Wrong number of items passed）
df['ADX'] = ta.adx(df['High'], df['Low'], df['Close'], length=14)

# 正确写法
adx_data = ta.adx(df['high'], df['low'], df['close'], length=14)
df['ADX'] = adx_data['ADX_14']
df['PLUS_DI'] = adx_data['DMP_14']
df['MINUS_DI'] = adx_data['DMN_14']

平滑方式调整：如果需要使用简单移动平均（SMA）而非Wilder平滑，可设置mamode='sma'：

adx_sma = ta.adx(df['high'], df['low'], df['close'], length=14, mamode='sma')

五、总结

实战使用三原则：