如何用 Python 计算考夫曼自适应均线 KAMA？用效率比率让均线快慢自调

Q: 为什么我的 KAMA 和 TA-Lib 对不上？

多半是种子取法、`er_n/fast/slow` 参数或复权口径不同。先统一参数与复权，再比前 N 根之后的收敛段。

Q: 需要付费吗？

单只股票日线在免费额度内即可；若要对**全市场**批量用 KAMA 扫趋势转强的票，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-10

如何用 Python 计算考夫曼自适应均线 KAMA？

一句话回答： KAMA（Kaufman’s Adaptive Moving Average，考夫曼自适应均线）先用效率比率 ER（一段净位移 ÷ 总路程）判断价格走得干不干脆，再据此动态调整平滑速度——趋势明确（ER 高）时像快均线紧贴价格，震荡（ER 低）时像慢均线变钝过滤噪声。用 AlphaFeed 取前复权日线，几行就能实现 ER 与 KAMA，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

固定周期均线有个两难：周期短跟得紧但假信号多，周期长平滑但滞后大。考夫曼的思路是让均线自适应：价格单边走（效率高）就加快、来回震荡（效率低）就放慢。核心是效率比率 ER = |区间净涨跌| ÷ |每日涨跌绝对值之和|——分子是「直线距离」，分母是「实际走的路」，比值越接近 1 说明走得越”直”。痛点是 TA-Lib 的 KAMA 参数口径容易记混，而且很多人卡在 KAMA 是递归的（当前值依赖上一个 KAMA），没法纯向量化一步算完。

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 numpy as np, pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=300,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

第 2 步：算效率比率 ER → 平滑系数 SC → 递归出 KAMA

def kama(close, er_n=10, fast=2, slow=30):
    change = (close - close.shift(er_n)).abs()            # 区间净位移
    vol = close.diff().abs().rolling(er_n).sum()          # 区间总路程
    er = (change / vol).fillna(0)                         # 效率比率 0~1
    fast_sc, slow_sc = 2/(fast+1), 2/(slow+1)
    sc = (er * (fast_sc - slow_sc) + slow_sc) ** 2        # 平滑系数(快慢EMA间插值,再平方)
    k = np.full(len(close), np.nan); vals = close.values
    start = er_n; k[start] = vals[start]                  # 以第 er_n 根收盘为种子
    scv = sc.values
    for i in range(start+1, len(close)):
        k[i] = k[i-1] + scv[i] * (vals[i] - k[i-1])       # 递归：KAMA 自适应逼近价格
    return pd.Series(k, index=close.index)

df["kama"] = kama(df["close"], 10, 2, 30)
print(df[["trade_date", "close", "kama"]].tail())

实测（tools/verify_new_2026-10-10.py，SDK 0.1.4）：贵州茅台近 300 日 KAMA 尾值 ≈ 1256.67（当日收盘 1263.0），区间内收盘上穿 KAMA 共 19 次，尾部无 NaN。

第 3 步：用 KAMA 做趋势/信号

golden = (df["close"].shift(1) <= df["kama"].shift(1)) & (df["close"] > df["kama"])
dead   = (df["close"].shift(1) >= df["kama"].shift(1)) & (df["close"] < df["kama"])
print("最近一次上穿 KAMA：", df.loc[golden, "trade_date"].tail(1).tolist())

价格上穿 KAMA 偏多、下穿偏空；也常看 KAMA 自身的方向（走平=震荡，别追）。

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	前复权	必须，除权缺口会扭曲 ER
`er_n`	效率比率回看期	默认 10
`fast`	快 EMA 周期	默认 2（趋势强时逼近）
`slow`	慢 EMA 周期	默认 30（震荡时变钝）
`er`	效率比率，0~1	越接近 1 走得越”直”
`sc`	平滑系数	快慢间插值再平方
KAMA	递归自适应均线	当前值依赖上一个 KAMA

关键坑与注意事项

KAMA 是递归的：当前值依赖前一个 KAMA，必须循环（或用专门递归实现），不能用一句 rolling 向量化；种子一般取第 er_n 根收盘。
种子与起点敏感：不同实现用的种子（首个收盘 or SMA）略有差异，前几十根会有偏差，比较时统一口径。
前复权必须：除权缺口会让 ER 的「总路程」突然放大、系数失真。
参数要配品种：fast/slow/er_n 默认 2/30/10 是常用值，但高波动品种可能需要调整，别照搬当真理。
仍是滞后指标：KAMA 只是「更聪明的均线」，震荡市走平时照样会给模糊信号，不解决根本的滞后问题。

常见问题（FAQ）

Q：KAMA 和普通 EMA、以及 VIDYA 有什么区别？ A：EMA 的平滑系数固定；KAMA 用效率比率让系数在快/慢之间自适应变化。VIDYA 思路类似（用波动或 CMO 调整），都属于”自适应均线”family，细节公式不同。

Q：为什么我的 KAMA 和 TA-Lib 对不上？ A：多半是种子取法、er_n/fast/slow 参数或复权口径不同。先统一参数与复权，再比前 N 根之后的收敛段。

Q：需要付费吗？ A：单只股票日线在免费额度内即可；若要对全市场批量用 KAMA 扫趋势转强的票，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

KAMA 用效率比率让均线「趋势时快、震荡时慢」，比固定周期均线更能兼顾灵敏与抗噪。用 AlphaFeed 的前复权日线，先算 ER、再递归出 KAMA，几行搞定——记住它是递归的、种子/参数会影响结果、且本质仍是滞后均线。