pandas_ta 库并没有采用传统技术分析教科书中“趋势、震荡、成交量”等基于交易逻辑的分类方式，而是采用了更贴近量化开发实践的功能性分类体系。这种分类直接映射到其 API 调用结构上，主要分为以下三大维度：

1. 按指标类别分类

这是 pandas_ta 最核心的组织方式，所有指标被归入约 15 个功能模块中。每个模块对应一个独立的命名空间，可通过 ta.{category}() 或 df.ta.{category}() 调用：

注意： 部分指标可能同时具备多重属性（如 MACD 既是动量也是趋势指标），pandas_ta 会根据其主要用途将其归入单一类别。例如 MACD 被归入 Momentum 而非 Trend。

2. 按调用粒度分类

除了功能类别，pandas_ta 还提供了三种不同粒度的使用接口，适应不同的开发场景：

• 单指标调用： ta.rsi(close, length=14) —— 精确控制单个指标的参数，适合调试和定制化策略。
• 类别批量调用： df.ta.momentum(length=14, append=True) —— 一次性计算该类别下所有指标，适合特征工程探索。
• 自定义策略： df.ta.strategy(name="my_strategy", config=[...]) —— 通过 JSON/YAML 配置文件定义指标组合，适合生产环境中的可复现研究。

3. 按数据依赖分类

这一分类虽未在文档中显式标注，但在实际使用中至关重要：

• 仅依赖收盘价： 如 EMA、RSI，只需 close 列即可计算。
• 依赖 OHLC 多列： 如 ATR、BOLL、SUPERTREND，需要完整的开高低收数据。
• 依赖成交量： 如 OBV、MFI、AD，必须提供 volume 列，否则返回 NaN。
• 依赖外部数据： 如 VP（成交量分布）需要指定价格区间参数；部分统计指标可能需要额外传入基准序列。

4. 与传统分类的差异提醒

许多交易者习惯按“趋势型 / 震荡型 / 量能型”来记忆指标，但 pandas_ta 的 Overlaps 类别是一个独特设计——它纯粹基于可视化位置（是否与K线同轴绘制）而非交易逻辑。这意味着：

• EMA（趋势跟踪）和 BOLL（波动率通道）同属 Overlaps；
• ADX（纯趋势强度）却被归入 Trend 而非 Overlaps；
• VWAP（量价趋势）也在 Overlaps 中。

因此，在使用 pandas_ta 时，建议以功能模块为索引查找指标，而非套用传统教科书分类。可通过 df.ta.indicators() 获取完整指标列表及其所属类别，或通过 ta.Category 字典对象查看各类别下所有可用指标。