天勤量化 TqSdk 技术指标与序列计算函数实战指南:tqsdk.ta 与 tqsdk.tafunc 从入门到源码
天勤量化 TqSdk 技术指标与序列计算函数实战指南:tqsdk.ta 与 tqsdk.tafunc 从入门到源码
本文聚焦 TqSdk(tqsdk-python)量化开发包中的 tqsdk.ta 技术指标模块与 tqsdk.tafunc 序列计算函数模块,讲解如何基于 get_kline_serial() 获取的 K 线序列快速计算 MACD、BOLL、KDJ、RSI 等经典指标,并深入底层源码解析移动平均、条件穿越、期权定价等函数的实现原理。读完本文,你将能够直接在策略中调用 50 余种技术指标与 30 余个序列计算函数,并理解其返回结构、参数含义与边界行为。
一、模块总览:ta 与 tafunc 的分工协作
在 TqSdk 中,技术指标计算被拆分为两个相互配合的模块:
tqsdk.ta(技术指标模块):包含大量常用技术指标。每个指标是一个函数,函数名为全大写(如MACD、KDJ、BOLL),第一个参数总是 K 线序列(pandas.DataFrame格式),并以pandas.DataFrame格式返回计算结果。对应实现文件为 tqsdk/ta.py。tqsdk.tafunc(序列计算函数模块):包含一批序列计算函数,它们是构成技术指标的基础原子操作,参数与返回值基本保持为pandas.Series类型(源码文件头注释明确说明:"函数基本保持 参数为pandas.Series类型则返回值为pandas.Series类型")。对应实现文件为 tqsdk/tafunc.py。
两者的使用关系非常直接:ta 中的高级指标内部大量调用 tafunc 的基础函数完成计算。例如 tqsdk/ta.py 中 MACD 的实现(见 tqsdk/ta.py#L227-L269)就调用了 tqsdk.tafunc.ema;ATR 的实现(tqsdk/ta.py#L18-L54)调用了 tqsdk.tafunc.ma;MA、SMA、EMA、EMA2、TRMA 等指标则直接是对 tafunc 同名函数的 DataFrame 包装(见 tqsdk/ta.py#L2339-L2492)。因此理解 tafunc 是掌握整个指标体系的钥匙。
原文档给出了最简单的 MACD 用法示例:
from tqsdk.ta import MACD
klines = api.get_kline_serial("SHFE.cu2607", 60) # 提取SHFE.cu2607的分钟线
result = MACD(klines, 12, 26, 9) # 计算MACD指标
print(result["diff"]) # MACD指标中的diff序列
tqsdk.ta 与 tqsdk.tafunc 中提供的完整函数详表,由 Sphinx 从源码 docstring 自动生成,见 doc/reference/tqsdk.ta.rst 与 doc/reference/tqsdk.tafunc.rst。
二、快速上手:在策略中计算技术指标
2.1 MACD:三步完成指标计算
以原文档的 MACD 为例,完整的调用流程是:
from tqsdk import TqApi, TqAuth, TqSim
from tqsdk.ta import MACD
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60) # 获取日线序列
macd = MACD(klines, 12, 26, 9) # 计算MACD
print(list(macd["diff"])) # 离差值
print(list(macd["dea"])) # DIFF的指数加权移动平均线
print(list(macd["bar"])) # MACD柱状线
api.close()
需要注意 MACD 返回值的一个细节陷阱:pandas.DataFrame 本身有 diff() 方法,因此获取该指标后,"diff" 字段必须使用 macd<a href="https://link.gitcode.com/i/2a2f177111b299f08c4bd219e67fdae2" target="_blank">"diff"] 方式取值,而不能写成 macd.diff(源码 docstring 中专门以注释标注了这一点,见 [tqsdk/ta.py#L243)。
从源码看,MACD(df, short, long, m) 的计算逻辑(tqsdk/ta.py#L263-L269)为:
new_df["diff"] = tqsdk.tafunc.ema(df["close"], short) - tqsdk.tafunc.ema(df["close"], long)
new_df["dea"] = tqsdk.tafunc.ema(new_df["diff"], m)
new_df["bar"] = 2 * (new_df["diff"] - new_df["dea"])
即先用收盘价的短周期 EMA 减去长周期 EMA 得到 diff,再对 diff 做 m 周期 EMA 得到 dea,柱状线 bar 取两倍差值。可见经典参数 (12, 26, 9) 只是推荐值,你可以按策略需要自由调整。
2.2 统一约定:第一参数是 K 线序列
所有 tqsdk.ta 指标函数都遵循同样的约定:第一参数 df 是 api.get_kline_serial() 返回的 pandas.DataFrame 格式 K 线序列。源码中每个指标 docstring 均标注了 df (pandas.DataFrame): Dataframe格式的K线序列。指标内部直接读取 df["open"]、df["high"]、df["low"]、df["close"]、df["volume"]、df["close_oi"] 等标准列,因此你只需要保证传入的是 TqSdk K 线序列即可,无需手动构造数据。
三、tqsdk.ta 技术指标全览
tqsdk.ta 目前提供 50 余个技术指标(以 tqsdk/ta.py 实际实现为准),覆盖趋势、摆动、量能、通道、期权五大类。下表按源码顺序整理了全部指标及其返回列,方便检索:
| 指标函数 | 中文名 | 返回列(DataFrame 列名) |
|---|---|---|
ATR(df, n) |
平均真实波幅 | tr(真实波幅)、atr(平均真实波幅) |
BIAS(df, n) |
乖离率 | bias |
BOLL(df, n, p) |
布林线 | mid(中轨)、top(上轨)、bottom(下轨) |
DMI(df, n, m) |
动向指标 | atr、pdi(上升方向线)、mdi(下降方向线)、adx、adxr |
KDJ(df, n, m1, m2, flat_value=0) |
随机指标 | k、d、j |
MACD(df, short, long, m) |
异同移动平均线 | diff、dea、bar |
SAR(df, n, step, max) |
抛物线指标 | sar |
WR(df, n) |
威廉指标 | wr |
RSI(df, n) |
相对强弱指标 | rsi |
ASI(df) |
振动升降指标 | asi |
VR(df, n) |
容量比率 | vr |
ARBR(df, n) |
人气意愿指标 | ar(人气指标)、br(意愿指标) |
DMA(df, short, long, m) |
平均线差 | ddd、ama |
EXPMA(df, p1, p2) |
指数加权移动平均线组合 | ma1、ma2 |
CR(df, n, m) |
CR 能量 | cr、crma |
CCI(df, n) |
顺势指标 | cci |
OBV(df) |
能量潮 | obv |
CDP(df, n) |
逆势操作 | ah、al、nh、nl |
HCL(df, n) |
均线通道 | mah、mal、mac |
ENV(df, n, k) |
包络线(Envelopes) | upper、lower |
MIKE(df, n) |
麦克指标 | wr、mr、sr、ws、ms、ss(三级压力与三级支撑) |
PUBU(df, m) |
瀑布线 | pb |
BBI(df, n1, n2, n3, n4) |
多空指数 | bbi |
DKX(df, m) |
多空线 | b、d |
BBIBOLL(df, n, m) |
多空布林线 | bbiboll、upr、dwn |
ADTM(df, n, m) |
动态买卖气指标 | adtm、adtmma |
B3612(df) |
三减六日乖离率 | b36、b612 |
DBCD(df, n, m, t) |
异同离差乖离率 | dbcd、mm |
DDI(df, n, n1, m, m1) |
方向标准离差指数 | ddi、addi、ad |
KD(df, n, m1, m2) |
随机指标(K/D) | k、d |
LWR(df, n, m) |
威廉指标(LWR) | lwr |
MASS(df, n1, n2) |
梅斯线 | mass |
MFI(df, n) |
资金流量指标 | mfi |
MI(df, n) |
动量指标 | a、mi |
MICD(df, n, n1, n2) |
异同离差动力指数 | dif、micd |
MTM(df, n, n1) |
MTM 动力指标 | mtm、mtmma |
PRICEOSC(df, long, short) |
价格震荡指数 | priceosc |
PSY(df, n, m) |
心理线 | psy、psyma |
QHLSR(df) |
阻力指标 | qhl5、qhl10 |
RC(df, n) |
变化率指数 | arc |
RCCD(df, n, n1, n2) |
异同离差变化率指数 | dif、rccd |
ROC(df, n, m) |
变动速率 | roc、rocma |
SLOWKD(df, n, m1, m2, m3) |
慢速 KD | k、d |
SRDM(df, n) |
动向速度比率 | srdm、asrdm |
SRMI(df, n) |
MI 修正指标 | a、mi |
ZDZB(df, n1, n2, n3) |
筑底指标 | b、d |
DPO(df) |
区间震荡线 | dpo |
LON(df) |
长线指标 | lon、ma1 |
SHORT(df) |
短线指标 | short、ma1 |
MV(df, n, m) |
均量线 | mv1、mv2 |
WAD(df, n, m) |
威廉多空力度线 | a、b、e |
AD(df) |
累积/派发指标 | ad |
CCL(df) |
持仓异动 | ccl |
CJL(df) |
成交量 | vol、opid |
OPI(df) |
持仓量 | opi |
PVT(df) |
价量趋势指数 | pvt |
VOSC(df, short, long) |
移动平均成交量指标 | vosc |
VROC(df, n) |
量变动速率 | vroc |
VRSI(df, n) |
量相对强弱 | vrsi |
WVAD(df) |
威廉变异离散量 | wvad |
MA(df, n) |
简单移动平均线 | ma |
SMA(df, n, m) |
扩展指数加权移动平均 | sma |
EMA(df, n) |
指数加权移动平均线 | ema |
EMA2(df, n) |
线性加权移动平均(WMA) | ema2 |
TRMA(df, n) |
三角移动平均线 | trma |
BS_VALUE(df, quote, r=0.025, v=None) |
期权 BS 模型理论价格 | bs_price |
OPTION_GREEKS(df, quote, r=0.025, v=None) |
期权希腊指标 | delta、theta、gamma、vega、rho |
OPTION_VALUE(df, quote) |
期权内在价值/时间价值 | intrins、time |
OPTION_IMPV(df, quote, r=0.025) |
期权隐含波动率 | impv |
VOLATILITY_CURVE(df, quotes, underlying, r=0.025) |
期权隐含波动率曲面 | 各行权价列为列名 |
3.1 典型指标使用示例
仓库自带演示脚本 tqsdk/demo/ta.py 一次性展示了多种指标在 10 秒 K 线上的用法:
from tqsdk import TqApi, TqAuth
from tqsdk.ta import *
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("SHFE.cu1910", 10, data_length=3000)
print("ATR", ATR(klines, 26))
print("BIAS", BIAS(klines, 6))
print("BOLL", BOLL(klines, 3, 5))
print("DMI", DMI(klines, 14, 6))
print("KDJ", KDJ(klines, 9, 3, 3))
print("MA", MA(klines, 3))
print("MACD", MACD(klines, 20, 35, 10))
print("SAR", SAR(klines, 4, 0.02, 0.2))
api.close()
这里 data_length=3000 指定了提取 3000 根 K 线——对于周期类指标(如周期 35 的 MACD),充足的序列长度可以避免早期数值为 NaN。
几个有代表性的指标实现要点:
- ATR(tqsdk/ta.py#L46-L54):先比较
high-low、|pre_close-high|、|pre_close-low|三组差值,取最大者为真实波幅tr,再用tafunc.ma(tr, n)得到平均真实波幅atr。 - BOLL(tqsdk/ta.py#L120-L126):中轨为 n 周期简单移动平均,上下轨为中轨加减
p倍标准差,即top = mid + p * std、bottom = mid - p * std。 - KDJ(tqsdk/ta.py#L217-L224):先计算
RSV,再通过tafunc.sma平滑得到 K、D,最后j = 3k - 2d。注意它带有一个flat_value=0参数,用于处理"最高价等于最低价"的极端 K 线(源码用np.where(hv == lv, flat_value, ...)规避除零)。 - SAR(tqsdk/ta.py#L313-L349):内部通过独立的
_sar()函数以循环方式逐根推进计算加速因子与极值点,属于唯一带状态迭代的指标。 - CCL 持仓异动(tqsdk/ta.py#L2107-L2113):返回值不是数值而是字符串标签,如
"多头增仓"、"空头减仓"等,适合直接用于复盘分析。
四、tqsdk.tafunc 序列计算函数详解
4.1 原文档核心例子:对任意序列做移动平均
tafunc 最大的价值在于灵活组合。技术指标 MA 总是按收盘价计算,但如果你需要最高价的均线,可以直接使用 tafunc.ma 作用于任意 pandas.Series:
from tqsdk.tafunc import ma
klines = api.get_kline_serial("SHFE.cu2607", 60) # 提取SHFE.cu2607的分钟线
result = ma(klines.high, 9) # 按K线的最高价序列做9分钟移动平均
print(result) # 移动平均结果
ma(series, n) 的底层实现(tqsdk/tafunc.py#L79-L108)是 series.rolling(n).mean(),即 n 周期窗口内等权平均。源码注释给出了精确公式:ma(x, 5) = (x(1) + x(2) + x(3) + x(4) + x(5)) / 5,并强调"简单移动平均线将设定周期内的值取平均值,其中各元素的权重都相等"。
4.2 函数分类与实现原理
tqsdk.tafunc 中的序列计算函数(tqsdk/tafunc.py)可归纳为以下几类:
移动平均与平滑类
| 函数 | 说明 | 底层实现 |
|---|---|---|
ma(series, n) |
简单移动平均 | series.rolling(n).mean() |
sma(series, n, m) |
扩展指数加权移动平均(需 n > m) | series.ewm(alpha=m/n, adjust=False).mean() |
ema(series, n) |
指数加权移动平均(n >= 1) | series.ewm(span=n, adjust=False).mean() |
ema2(series, n) |
线性加权移动平均 WMA | rolling(n).apply(average, raw=True),权重 1..n |
trma(series, n) |
三角移动平均 | 对 MA 再做一次 MA(ma(ma(series, n1), n2)) |
harmean(series, n) |
调和平均 | n / ((1/series).rolling(n).sum()) |
numpow(series, n, m) |
自然数幂方和 | sum((n-i)**m * series.shift(i)) |
以 ema 为例(tqsdk/tafunc.py#L143-L172),其递推公式为 ema(x, n) = 2 * x / (n + 1) + (n - 1) * ema(x, n).shift(1) / (n + 1),即"对距离当前较近的 K 线赋予了较大的权重"。
极值与统计类
| 函数 | 说明 | 底层实现 |
|---|---|---|
hhv(series, n) |
n 周期内最高值 | series.rolling(n).max() |
llv(series, n) |
n 周期内最低值 | series.rolling(n).min() |
std(series, n) |
n 周期标准差 | series.rolling(n).std() |
median(series, n) |
n 周期中位数 | series.rolling(n).median() |
avedev(series, n) |
平均绝对偏差 | rolling(n).apply(mad),其中 `mad = |
abs(series) |
绝对值 | np.absolute(series) |
min(series1, series2) / max(series1, series2) |
两个序列逐元素取最小/最大 | np.minimum / np.maximum |
条件判断与信号类
| 函数 | 说明 |
|---|---|
ref(series, n) |
序列位移 n 个周期(series.shift(n)),n=0 返回原序列 |
crossup(a, b) |
a 从下方向上穿越 b 时为 1,否则 0((a > b) & (a.shift(1) <= b.shift(1))) |
crossdown(a, b) |
a 从上方向下穿越 b 时为 1,否则 0((a < b) & (a.shift(1) >= b.shift(1))) |
count(cond, n) |
统计 n 周期内条件成立次数;n=0 时从第一个有效值开始累计 |
exist(cond, n) |
n 周期内条件至少成立一次为 1,否则 0 |
every(cond, n) |
n 周期内条件全部成立为 1,否则 0 |
barlast(cond) |
返回从上一次条件成立到当前的周期数(此前无成立返回 -1,成立当期为 0) |
其中 crossup/crossdown 是双均线策略最常见的信号来源。源码实现(tqsdk/tafunc.py#L210-L257)通过 np.where 判断"当前 a 在 b 上方且上一周期 a 不在 b 上方"来精确捕捉穿越当根 K 线,返回 0/1 标志序列,可直接与 count、exist 等函数串联使用。
4.3 时间转换辅助函数
除行情序列计算外,tafunc 还提供了一组时间转换函数,用于处理 TqSdk 特有的纳秒级时间戳(K 线 datetime 字段是自 Unix Epoch 以来的纳秒数):
time_to_ns_timestamp(input_time):将 str(%Y-%m-%d %H:%M:%S.%f格式)、秒级/纳秒级时间戳、datetime.datetime统一转为纳秒级时间戳;time_to_s_timestamp(input_time):转为秒级时间戳;time_to_str(input_time):转为%Y-%m-%d %H:%M:%S.%f格式字符串;time_to_datetime(input_time):转为datetime.datetime类型。
例如 tqsdk/api.py#L706-L713 中的示例展示了把最后一根 K 线的纳秒时间转换为 datetime.datetime 的用法:
from tqsdk import tafunc
klines = api.get_kline_serial("DCE.jd2001", 10)
kline_time = tafunc.time_to_datetime(klines.iloc[-1]["datetime"])
print(kline_time.year, kline_time.month, kline_time.day, kline_time.hour, kline_time.minute, kline_time.second)
五、指标的数据源:get_kline_serial 关键约定
技术指标的第一参数来自 api.get_kline_serial(),理解其返回结构是用好指标的前提。完整签名见 tqsdk/api.py#L621-L715:
def get_kline_serial(self, symbol, duration_seconds, data_length=200, adj_type=None, **kwargs) -> pd.DataFrame
要点如下(详见 doc/usage/mddatas.rst#L185-L237):
symbol:单个合约代码字符串,或合约代码列表(列表形式会按时间向第一个合约对齐生成多合约 K 线,副合约字段名追加数字后缀,如open1、close2);duration_seconds:以秒为单位的周期,如 60 为 1 分钟线、3600 为 1 小时线、86400 为日线;日线以内可任意填写,日线以上只能是 86400 的整数倍,最大 28 天;data_length:返回的序列长度,默认 200 根,每个序列最大支持 10000 个数据;adj_type:复权类型,"F"前复权、"B"后复权,仅对股票和基金合约有效,且暂不支持多合约 K 线复权。
返回的 pandas.DataFrame 包含标准列:id(K 线序列号)、datetime(K 线起点时间的纳秒数)、open、high、low、close、volume、open_oi、close_oi。常见用法是 klines.iloc[-1].close(最后一根 K 线收盘价)与 klines.close(收盘价 Series,可直接作为 tafunc 的输入)。
六、进阶:期权定价与希腊字母指标
ta 与 tafunc 还内置了一整套基于 Black-Scholes 模型的期权计算能力,这在回测与实盘期权策略中非常实用。
6.1 tafunc 层的期权原子函数
get_t(df, expire_datetime):由 K 线序列与到期日计算年化到期时间序列(默认按一年 360 天折算);get_his_volatility(df, quote):计算合约的历史波动率,日线按 250 个交易日年化;非日线周期且存在交易日历时会依据quote.trading_time折算实际交易时长(tqsdk/tafunc.py#L938-L948);get_bs_price(series, k, r, v, t, option_class):BS 模型理论价格,v(波动率)、t(年化到期时间)、option_class("CALL"/"PUT")均可传入float或与series等长的pandas.Series;get_delta/get_gamma/get_theta/get_vega/get_rho:五个标准希腊字母;get_impv(series, series_option, k, r, init_v, t, option_class):隐含波动率,采用牛顿迭代逼近,初始值可用历史波动率init_v;- 另有
get_ticks_info(df)(计算 tick 开平方向:多开/空开/多平/空平/双开/双平等)与get_sharp/get_sortino/get_calmar(年化夏普率、索提诺比率、卡玛比率)等绩效函数。
6.2 ta 层的期权封装指标
tqsdk.ta 在此基础上提供了更高层的封装,只需传入 K 线与 Quote 对象即可使用:
BS_VALUE(df, quote, r=0.025, v=None):期权理论价格,要求quote是df对应标的合约的期权(否则返回全nan),v=None时自动计算历史波动率;OPTION_GREEKS(df, quote, r=0.025, v=None):希腊指标,要求df是多合约 K 线(期权在前、标的在后),v=None时自动用隐含波动率计算;OPTION_VALUE(df, quote):内在价值与时间价值;OPTION_IMPV(df, quote, r=0.025):隐含波动率;VOLATILITY_CURVE(df, quotes, underlying, r=0.025):由一批期权合约的批量行情构建隐含波动率曲面。
仓库自带的完整期权示例见 tqsdk/demo/ta_option.py:
from tqsdk import TqApi, TqAuth, tafunc
from tqsdk.ta import *
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
underlying_quote = api.get_quote("SHFE.cu2009")
klines = api.get_kline_serial('SHFE.cu2009', 24 * 60 * 60, 20)
v = tafunc.get_his_volatility(klines, underlying_quote) # 历史波动率
print("历史波动率:", v)
quote = api.get_quote("SHFE.cu2009C44000")
bs_serise = BS_VALUE(klines, quote, 0.025) # BS 理论价
print("理论价:", list(round(bs_serise['bs_price'], 2)))
klines2 = api.get_kline_serial(["SHFE.cu2009C44000", "SHFE.cu2009"], 24 * 60 * 60, 20)
values = OPTION_VALUE(klines2, quote) # 内在价值/时间价值
impv = OPTION_IMPV(klines2, quote, 0.025) # 隐含波动率
greeks = OPTION_GREEKS(klines2, quote, 0.025, impv['impv']) # 希腊字母
print("delta:", list(greeks["delta"]))
print("theta:", list(greeks["theta"]))
print("gamma:", list(greeks["gamma"]))
print("vega:", list(greeks["vega"]))
print("rho:", list(greeks["rho"]))
api.close()
注意 OPTION_GREEKS 的多合约 K 线要求期权合约在前、标的合约在后(get_kline_serial(<a href="https://link.gitcode.com/i/964fbdcd4df8c327d99ba1fae623883d" target="_blank">"期权", "标的"], ...)),此时返回的 DataFrame 中期权价格为 close1、标的价格为 close(见 [tqsdk/ta.py#L2563-L2626 的字段校验逻辑)。
七、组合实战:从序列函数到完整信号
tafunc 的"乐高"式设计让你可以按需拼装出文档中没有的指标。例如,构建一个基于"5 周期均线上穿 10 周期均线"的开仓信号:
from tqsdk.tafunc import ma, crossup
klines = api.get_kline_serial("SHFE.cu2607", 60)
ma5 = ma(klines.close, 5)
ma10 = ma(klines.close, 10)
signal = crossup(ma5, ma10) # 上穿当期为 1,其余为 0
print(list(signal))
再比如原文档中提到的统计用法——统计从申请到行情数据以来 5 周期均线上穿 10 周期均线的次数(tqsdk/tafunc.py#L280-L282):
from tqsdk.tafunc import crossup, ma, count
count = count(crossup(ma(klines.close, 5), ma(klines.close, 10)), 0) # n=0 表示从头累计
print(list(count))
这里 count(cond, 0) 触发源码中的特殊分支(tqsdk/tafunc.py#L284-L288):pd.Series(np.where(cond, 1, 0).cumsum()),即从第一个有效值开始做累计求和,而不是按窗口滚动统计。仓库内 tqsdk/demo/example/ 下的 40 余个策略示例(如 doublema.py、RSI.py、pivot_point.py、hull.py 等)大量使用了这两个模块,是学习组合用法的直接素材。
八、注意事项与最佳实践
- 序列长度要充足:所有滚动窗口类函数(
rolling(n))在序列前n-1个位置返回NaN。因此计算长周期指标时应为get_kline_serial指定足够大的data_length,或对结果做dropna()/ffill()处理。 - 不要修改原始 K 线序列:
get_kline_serial返回的对象会随行情自动更新,源码 docstring 特别提醒"获取后的 kline 对象请不要修改/重命名原始的 kline 序列,可能会导致后续的 kline 数据不更新"(tqsdk/api.py#L646-L647)。 - 字段访问方式:
ta指标返回 DataFrame,用列名索引(如macd["diff"])取值;tafunc返回 Series,可直接参与 pandas 运算(如klines.close - pre_close)。 - 参数边界:
sma要求n > m,ema要求n >= 1,ref在序列元素不足n + 1个时返回NaN序列,barlast在条件从未成立时返回 -1——这些边界行为在源码 docstring 中均有明确说明。 - 进一步阅读:完整的函数签名与示例可查看 doc/usage/ta.rst、doc/reference/tqsdk.ta.rst、doc/reference/tqsdk.tafunc.rst,以及 K 线数据获取说明 doc/usage/mddatas.rst;直接阅读 tqsdk/ta.py 与 tqsdk/tafunc.py 可获得每个函数最精确的公式与边界行为定义。