在编程实现DMI指标时，主要需要计算上升和下降动向线，以及最终的DMI值。以下是一个简化的Python示例，用于计算DMI指标，并找到买入点：
```python
import pandas as pd
def calculate_tr（high, low, close）:
"""计算真实波动范围TR"""
return max（high - low, abs（high - close）, abs（low - close））
def calculate_dm（price, tr）:
"""根据股价上涨或下跌计算动向指标DM"""
if price > price.shift（1）:
return tr
else:
return -tr
def calculate_dx（dm_today, dm_yesterday, tr_yesterday）:
"""计算方向差异指数DX"""
return （dm_today - dm_yesterday） / tr_yesterday
def calculate_mdi（dx_today, dx_yesterday）:
"""计算动向指数MDI"""
return （dx_today + dx_yesterday） / 2
def calculate_dmi（high, low, close, n=14）:
"""计算最终的DMI值"""
tr_list = [calculate_tr（high[i], low[i], close[i]） for i in range（1, len（high））]
dm_list = [calculate_dm（close, tr） for tr in tr_list]
dx_list = [calculate_dx（dm_list[i], dm_list[i-1], tr_list[i-1]） for i in range（1, len（dm_list））]
mdi_list = [calculate_mdi（dx_list[i], dx_list[i-1]） for i in range（1, len（dx_list））]
dmi_value = sum（mdi_list） / len（mdi_list）
return dmi_value
示例数据
data = {
'high': [100, 102, 101, 103, 104, 105],
'low': [98, 97, 96, 95, 94, 93],
'close': [100, 101, 100, 102, 103, 104]
}
df = pd.DataFrame（data）
计算DMI值
dmi_value = calculate_dmi（df['high'], df['low'], df['close']）
print（f"DMI值： {dmi_value}"）
找到买入点
这里需要根据具体的买入策略来实现，例如使用PDI指标
以下是一个简化的示例，仅作为参考
pdi = 0
buy_signal = False
if pdi < 50 and dmi_value > 20: 示例条件
buy_signal = True
print（"买入信号"）
```
在这个示例中，我们首先计算了真实波动范围（TR），然后根据股价的上涨或下跌计算动向指标（DM），接着计算方向差异指数（DX）和动向指数（MDI），最后计算出DMI值。
请注意，这只是一个简化的示例，实际应用中需要根据具体的市场情况和买入策略来调整条件。此外，DMI指标只是众多技术指标之一，建议结合其他指标和市场信息来做出投资决策。