MACD Excel範例的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

AI+大數據-用Python玩轉金融遊戲的量化交易

為了解決MACD Excel範例的問題，作者何海群 這樣論述：

　　本書是國內較早關於Python大數據與量化交易的原創書籍，配合zwPython、zwQuant開源量化軟件學習，已經是一套完整的大數據分析、量化交易學習教材，可直接用於實盤交易。 　　本書內容源自筆者的原版教學課件，雖然限於篇幅和載體，省略了視頻和部分環節，但核心內容都有保留，配套的近百套Python教學程序沒有進行任何刪減。考慮到廣大入門讀者的需求，筆者在各個核心函數環節增添了函數流程圖。 　　本書內容包含： 　　1. 近50萬字的圖文教材。 　　2. 數十套結合教材的Python 教學程式。 　　3. 全套zwPython 開放原始碼平台。 　　4. 針對初學者的開放原始碼量化系統

zwQuant。 　　5. 開放原始碼金融資料封包zwDat，包含tick 資料。 本書特色 　　◆以實盤個案分析為主，全程配有Python代碼。 　　◆包含大量的圖文案例和Python源碼，無須專業編程基礎，懂Excel即可開始學習。 　　◆配有專業的zwPython、zwQuant量化軟件和zwDat數據包。 　　100%零基礎，無須任何程式設計、交易經驗，也不需要具備超強的資料分析能力，只要會使用Excel 就可以輕鬆上手，讀完本書內容與搭配之教學程式，就能撰寫簡單的量化策略函數。 第一章 從故事開始學量化 1.1 億萬富翁的「神奇公式」 1.2 股市「一月效應」 1.3 量化

交易流程與概念 1.4 使用者執行環境設定 1.5 Python 實戰操作技巧 1.6 量化、中醫與西醫 第二章 常用量化技術指標與架構 2.1 案例2-1：SMA均線策略 2.2 Python量化系統架構 2.3 常用量化軟體套件 2.4 常用量化技術指標 2.5 經典量化策略 2.6 常用量化策略 2.7 起點與終點 第三章 金融資料獲取整數理 3.1 常用資料來源API與模組函數庫 3.2 案例3-1：zwDatX資料類別 3.3 美股資料來源模組函數庫 3.4 開放原始碼文件函數庫Read the Docs 3.5 案例3-2：下載美股資料 3.6 財經資料來源模組函數庫TuSha

re 3.7 歷史資料 3.8 其他交易資料 3.9 zwDat 超大股票資料來源與資料更新 3.10 資料歸一化處理 3.11 為有源頭活水來 第四章 PAT案例組合語言 4.1 投資組合與回報率 4.2 SMA均線策略 4.3 均線交換策略 4.4 VWAP動量策略 4.5 布林通道策略 4.6 RSI2策略 4.7 案例與傳承 第五章 zwQuant整體架構 5.1 發佈前言 5.2 功能簡介 5.3 範例程式 5.4 常用量化分析參數 5.5 回溯案例：對標測試 5.6 回報參數計算 5.7 主體架構 5.8 新的起點 第六章 模組詳解與實盤資料 6.1 回溯流程 6.2 執行流

程詳解 6.3 零點策略 6.3.1 mul多個時間點的交易&資料 6.4 不同資料來源與格式修改 6.5 金融資料套件與實盤資料更新 6.6 穩定第一 第七章 量化策略函數庫 7.1 量化策略函數庫簡介 7.2 SMA均線策略 7.3 CMA均線交換策略 7.4 VWAP策略 7.5 BBands 布林通道策略 7.6 大道至簡1+1 第八章 海龜策略與自訂擴充 8.1 策略函數庫 8.2 tur 海龜策略v1：從零開始 8.3 案例8-1：海龜策略架構 8.4 tur 海龜策略v2：策略初始化 8.5 案例8-2：策略初始化 8.6 tur 海龜策略v3：資料前置處理 8.7 案例8-

3：資料前置處理 8.8 tur 海龜策略v4：策略分析 8.9 案例8-4：策略分析 8.10 tur 海龜策略v5：資料圖表輸出 8.11 tur 海龜策略v9：加入策略函數庫 8.12 案例8-7：入庫 8.13 庖丁解牛 第九章 TA-Lib函數程式庫與策略開發 9.1 TA-Lib技術指標 9.2 MACD策略 9.3 KDJ策略 9.4 RSI策略 9.5 基礎、策略與靈感 第十章 擴充與未來 10.1 回顧案例2-1：SMA均線策略 10.2 大盤指數資源 10.3 系統整合 10.4 擴充完成 10.5 其他擴充課題 10.6 終點與起點 附錄A zwPython 開發平

台使用者手冊 A-1 為什麼選擇Python A-2 zwPython難度降低90%，效能加強十倍 A-3 「零物件」程式設計模式 A-4 zwQuant量化家族成員 A-5 zwPython與winPython、pythonXY A-6 zwPython升級要點 前言 　　2014年，美國銀行、美林證券的「石英」專案、摩根大通的「雅典娜」專案都不約而同地選擇了Python作為金融企業的標準程式語言。 　　全世界的金融工程企業全部重新洗牌，這為金融工程從業人員帶來了前所未有的機遇。資本的力量是強大的，也是冷酷無情的。 　　2016年5月，《華爾街日報》報導，目前華爾街的三大程式語言是

：C、Java與Python。其中，C與Java成為三大語言之一有兩方面原因：一方面是由於歷史累積，另一方面是系統架構設計的需要。而在應用領域Python更勝一籌，因為Python已經成為金融企業量化領域的標準程式語言。 　　本書是國內較早關於Python大數據與量化交易的原創圖書。本書配合zwPython、zwQuant開放原始碼量化軟體學習，是一套完整的大數據分析、量化交易的學習教材，可直接用於實盤交易。 　　100%零基礎，無須任何程式設計、交易經驗，也不需要具備超強的資料分析能力，只要會使用Excel就可以輕鬆學會本書說明的基礎知識。讀完本書內容和搭配的教學程式，就能夠撰寫簡單的量

化策略函數。 　　本書的內容來自筆者的原版教學教材，雖然限於篇幅和載體，省略了視訊和部分環節，但核心內容都有保留，搭配的近百套Python教學程式沒有進行任何刪減；並考慮到廣大入門讀者的需求，筆者在各個核心函數環節增添了函數流程圖。