如何用 Python 计算 DPO 去趋势价格振荡器？（剔除趋势看价格周期）

Q: DPO 和普通均线偏离（价格−均线）有什么不同？

关键在均线**前移了 n/2+1 期**，这样能更好地对齐并剥离趋势、突出周期成分，而不是简单的乖离。

Q: DPO 能预测拐点吗？

不能直接预测。它主要用于**回顾性地研究周期长度**与相对高低，因平移设计而不对齐最新价，别拿它做实时买卖信号。

Q: n 取多少？

常用 20（约一个月）。想看更长周期就加大 n。先用 20 观察零轴穿越间隔再调。

Q: 需要付费吗？

单只历史日线有免费额度；全市场批量算 DPO（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

分析与指标 · 代码验证于 2026-09-27

如何用 Python 计算 DPO 去趋势价格振荡器？

一句话回答： DPO（Detrended Price Oscillator，去趋势价格振荡器）用「当前价 − 前移了 N/2+1 期的 N 日均线」剥离长期趋势，把价格围绕均值的周期性波动单独显示出来，方便估计高低点节奏、判断相对超买超卖。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 DPO，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

趋势会掩盖周期：一只票一路上涨时，普通振荡指标也一直高位，看不清「相对自己的贵/便宜」。DPO 的巧思是把均线向前平移再与价格相减，等于把趋势成分抽掉，只留下价格绕均线的周期起伏。坑在于：一是要用前复权价避免除权跳空；二是 DPO 不是用来追最新价的（它有意平移、不预测当前），主要用于研究历史周期长度。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=250,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

DPO 基于均线，务必用 adjust="forward"（前复权），避免除权断层污染。

第 2 步：计算 DPO

def dpo(close: pd.Series, n: int = 20) -> pd.Series:
    shift = n // 2 + 1
    ma = close.rolling(n).mean()
    return close - ma.shift(shift)   # 当前价 − 前移后的均线

df["DPO"] = dpo(df["close"], n=20)
print(df[["trade_date", "close", "DPO"]].tail(6).to_string(index=False))

参数与含义：

参数/字段	含义	常用值
`n`	均线周期（≈你关注的周期长度）	20
`shift` = n//2+1	均线前移期数	11（n=20 时）
`DPO > 0`	价格高于该周期均值	相对偏高
`DPO < 0`	价格低于该周期均值	相对偏低

第 3 步：用 DPO 估计周期长度

import numpy as np

# 统计 DPO 相邻“由负转正”的间隔，粗估周期天数
sign = np.sign(df["DPO"].fillna(0))
cross_up = df.index[(sign.shift() < 0) & (sign > 0)].tolist()
if len(cross_up) >= 2:
    gaps = np.diff(cross_up)
    print("DPO 上穿零轴的平均间隔(≈周期):", round(gaps.mean(), 1), "天")

第 4 步：相对超买超卖阈值（用历史分位）

# 用 DPO 的历史分位判断当前相对高低
q80 = df["DPO"].quantile(0.8)
q20 = df["DPO"].quantile(0.2)
cur = df["DPO"].iloc[-1]
state = "相对高位" if cur >= q80 else ("相对低位" if cur <= q20 else "中性")
print(f"当前 DPO={cur:.2f} 状态={state}（80/20 分位: {q80:.2f}/{q20:.2f}）")

关键坑与注意事项

必须用前复权价：除权跳空会让均线与 DPO 失真。
DPO 有意“平移、不追最新”：因为均线前移了 n//2+1 期，DPO 末端并不对齐当前趋势，它是研究周期的工具，不是实时择时信号。
周期估计是统计近似：用零轴穿越间隔估周期只是粗略参考，需多段验证，市场周期本身不稳定。
阈值用相对分位：DPO 无固定超买超卖线，用自身历史分位（如 80/20）判断相对高低更稳。
n 决定看多长的周期：n 越大过滤越多短波、突出更长周期；按你研究的节奏调。
头部为 NaN：均线与前移需要预热，count 建议 ≥ 2n，忽略序列最前面若干根。

常见问题（FAQ）

Q：DPO 和普通均线偏离（价格−均线）有什么不同？ A：关键在均线前移了 n/2+1 期，这样能更好地对齐并剥离趋势、突出周期成分，而不是简单的乖离。

Q：DPO 能预测拐点吗？ A：不能直接预测。它主要用于回顾性地研究周期长度与相对高低，因平移设计而不对齐最新价，别拿它做实时买卖信号。

Q：n 取多少？ A：常用 20（约一个月）。想看更长周期就加大 n。先用 20 观察零轴穿越间隔再调。

Q：需要付费吗？ A：单只历史日线有免费额度；全市场批量算 DPO（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

DPO 去趋势价格振荡器的本质是「当前价 − 前移后的均线」，用平移相减剥离趋势、突出价格周期。实现只需 pandas 的 rolling + shift，不依赖 TA-Lib。关键是用前复权价、理解它「平移不追最新、用于研究周期」的定位、用历史分位定相对高低。用 AlphaFeed 取回前复权日线，几行就能算 DPO 并估计周期节奏。