用python的matplotlib和numpy庫繪製股票K線均線和成交量的整合效果（含量化驗證交易策略代碼）用python的matplotlib和numpy庫繪製股票K線均線的整合效果（含從網絡接

時間 2019-12-10

標籤 python matplotlib numpy 繪製股票均線成交量整合效果含量驗證交易策略代碼網絡欄目 Python 简体版

原文原文鏈接

在用python的matplotlib和numpy庫繪製股票K線均線的整合效果（含從網絡接口爬取數據和驗證交易策略代碼）一文裏，我講述了經過爬蟲接口獲得股票數據並繪製出K線均線圖形的方式，在本文裏，將在此基礎上再引入成交量效果圖，並結合量價理論，給出並驗證一些交易策略。html

1 成交量對量化分析的意義

美國的股市分析家葛蘭碧（Joe Granville）在他所著的《股票市場指標》一書裏提出著名的「量價理論」。「量價理論」的核心思想是，任何對股價的分析，若是離開了對成交量的分析，都將是無本之木，無水之源，由於成交量的增長或萎縮都表現出必定的股價趨勢。python

成交量是指時間單位內已經成交的股數或總手數。成交量能反應出股市交易中的供求關係，其中道理是比較淺顯易懂的，當股票供不該求時，你們爭相購買，成交量就很大了，反之當供過於求時，則說明市場交易冷淡，成交量必然萎縮。網絡

廣義的成交量包括成交股數（Volumn或Vol）、成交金額（AMOUNT，時間單位內已經成交的總金額數）和換手率（TUN，股票天天成交量除以股票的流通總股本所得的比率），而狹義則是指成交股數。咱們用yahoo接口獲得的數據裏，有表示成交股數的Volumn列，其中的單位是「手」，一手爲100股，在本部分裏，咱們是經過Volumn列數據繪製股票的成交量信息。less

2 引入成交量

在K線和均線整合成交量的效果圖裏，出於美觀的考慮，咱們對整合的效果提出了以下三點要求。函數

第一，繪製上下兩個子圖，上圖放K線和均線，下圖放成交量效果。post

第二，上下兩個子圖共享x軸，也就是說，二者x軸的刻度標籤和間隔應該是同樣的。url

第三，經過柱狀圖來繪製成交量圖，若是當天股票上漲，成交量圖是紅色，下跌則是綠色。 spa

在以下的drawKMAAndVol.py案例，咱們將實現增長成交量圖的效果。code

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt 
5    from mpl import candlestick_ochl
6    from matplotlib import MultipleLocator
7    #根據指定代碼和時間範圍，獲取股票數據
8    df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk')
9    #設置大小，共享x座標軸
10    figure,(axPrice, axVol) = plt.subplots(2, sharex=True, figsize=(15,8))
11    #調用方法，繪製K線圖 
12    candlestick_ochl(ax = axPrice,          opens=df["Open"].values, closes=df["Close"].values,                 highs=df["High"].values, lows=df["Low"].values,
13                      width=0.75, colorup='red', colordown='green')
14    axPrice.set_title("600895張江高科K線圖和均線圖")#設置子圖標題
15    df['Close'].rolling(window=3).plot(ax=axPrice,color="red",label='3天均線')
16    df['Close'].rolling(window=5).plot(ax=axPrice,color="blue",label='5天均線')
17    df['Close'].rolling(window=10).plot(ax=axPrice,color="green",label='10天均線')
18    axPrice.legend(loc='best') #繪製圖例
19    axPrice.set_ylabel("價格（單位：元）")
20    axPrice.grid(True) #帶網格線
21    #以下繪製成交量子圖
22    #直方圖表示成交量，用for循環處理不一樣的顏色
23    for index, row in df.iterrows():
24        if(row['Close'] >= row['Open']):
25            axVol.bar(row['Date'],row['Volume']/1000000,width = 0.5,color='red')
26        else:    
27            axVol.bar(row['Date'],row['Volume']/1000000,width = 0.5,color='green')
28    axVol.set_ylabel("成交量（單位：億手）")#設置y軸標題
29    axVol.set_title("600895張江高科成交量")#設置子圖的標題
30    axVol.set_ylim(0,df['Volume'].max()/100000000*1.2)#設置y軸範圍
31    xmajorLocator = MultipleLocator(5) #將x軸主刻度設置爲5的倍數
32    axVol.xaxis.set_major_locator(xmajorLocator)
33    axVol.grid(True) #帶網格線
34    #旋轉x軸的展現文字角度
35    for xtick in axVol.get_xticklabels():
36        xtick.set_rotation(15)
37    plt.rcParams['font.sans-serif']=['SimHei']
38    plt.show()

從第8行到第20行，咱們一方面是從csv文件裏讀取數據，另外一方面在第一個子圖裏繪製了K線和均線圖。這部分的代碼和以前很類似，不過請你們注意兩個點。htm

第一，在第10行裏，不只設置了繪圖區域的大小，更經過sharex=True語句，設置了axPrice和axVol這兩個子圖共享x軸。

第二，第二，在第1四、1八、19和第20行，因爲是在K線圖和均線圖的axPrice子圖裏操做，因此若干方法的調用主體是axPrice對象，而不是以前的pyplot.plt對象。

從第23行到第36行裏，咱們在axVol子圖裏繪製了成交量圖的效果。請你們注意第23行到第27行的for循環，在其中，咱們經過第24行的if語句，比較收盤價和開盤價，以判斷當天股票是漲是跌，在此基礎上，經過第25行或第27行的bar方法，設置當日成交量圖的填充顏色。從上述代碼能看出，成交量是在自於csv文件裏的Volume列。

在繪製成交量圖的時候有兩個細節請你們注意一下。

第一，在第25行、第27行和第30行裏，當咱們設置y軸的刻度值和範圍時，咱們除以了一個相同的數，這是由於在第28行咱們設置y軸文字時，指定了y軸成交量的單位是「億手「。

第二，本次是經過第35行和第36行的for循環，設置了「x軸文字旋轉」的效果，從代碼裏咱們能看到，本案例中的旋轉角度是15度。

上述代碼的運行效果以下圖所示，從中你們能看兩個x軸刻度一致的子圖，且在成交量子圖裏，上漲日和下跌日的成交量填充色分別是紅色和綠色。

3 成交量與股價的關係

成交量和股價間也存在着八大規律，經過下圖，咱們能感覺到這些規律，其中縱座標表示價（即股價），橫座標表示量（即成交量）。

咱們能看出量價之間的八種關係，即量增價平、量增價升、量平價升、量縮價升、量減價平、量縮價跌、量平價跌、量跌價升，隨着上述週期過程，股價也完成了一個從漲到跌的完整循環，下面咱們來具體解釋一下。

1．量增價平：股價通過持續下跌進入到低位狀態，出現了成交量增長但股價平穩的現象，此時不一樣天的成交量高度落差可能比較明顯，這說明該股在底部積聚上漲動力。

2．量增價升：成交量在低價位區持續上升，同時伴隨着股價上漲趨勢，這說明股價上升獲得了成交量的支撐，後市將繼續看好，這是中短線的買入信號。

3．量平價升：在股價持續上漲的過程當中，若是多日的成交量保持等量水平，建議在這一階段中能夠適當增長倉位。

4．量縮價升：成交量開始減小，但股價依然在上升，此時應該視狀況繼續持股。但若是尚未買入的投資者就不宜再重倉介入，由於股價已經有了必定的漲幅，價位開始接近上限。

5．量減價平：股價經長期大幅度上漲後，成交量顯著減小，股價也開始橫向調整再也不上升，這是高位預警的信號。這個階段裏一旦有風吹草動，好比忽然拉出大陽線和大陰線，建議應出貨離場，作到落袋爲安。

6．量縮價跌：成交量在高位繼續減小，股價也開始進入降低通道，這是明確的賣出信號。若是還出現縮量陰跌，這說明股價底部尚遠，不會輕易止跌。

7．量平價跌：成交量中止減小，但股價卻出現急速下滑現象，這說明市場並無造成一致看空的共識。股諺有「多頭不死，跌勢不止「的說法，出現「量平價跌」的狀況，說明主力開始逐漸退出市場，這個階段裏，應繼續觀望或者出貨，別輕易去買入以所謂的「搶反彈」。

8．量增價跌：股價經長期大幅下跌以後，有可能出現成交量增長的狀況，此時的操做原則是建議賣出，或者空倉觀望。若是低價區成交量有增長，則說明有資金在此價位區間接盤，預示後期有望造成底部並出現反彈。但若是出現量增價跌，則建議應清倉出局。

在下文裏，咱們將經過Python語言驗證量價理論中的兩個規則。

4 驗證「量增價平「的買點

在以下的calBuyPointByVol.py案例中，咱們將驗證「量增價平「的買點。在這段代碼裏咱們作了三件事，第一是經過yahoo接口獲得了指定股票指定範圍內的交易數據，第二經過pandas接口保存獲得的數據，以便往後驗證，第三經過遍歷dataframe對象，計算量和價的關係，從而得到買點日期。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #漲幅是否大於指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/100:
9            return True
10        else:
11            return False        
12    #漲幅是否小於指定比率
13    def isLessThanPer(lessVal,highVal,per):
14        if np.abs(highVal-lessVal)/lessVal<per/100:
15            return True
16        else:
17            return False
18    code='600895.ss'
19    stock = pandas_datareader.get_data_yahoo(code,'2018-09-01','2018-12-31')
20    #刪除最後一行，由於get_data_yahoo會多取一天數據
21    stock.drop(stock.index[len(stock)-1],inplace=True)
22    #保存在本地
23    stock.to_csv('D:\\stockData\ch7\\60089520181231.csv')
24    #從文件裏獲得數據
25    df = pd.read_csv('D:/stockData/ch7/60089520181231.csv',encoding='gbk')
26    cnt=0    
27    while cnt<=len(df)-1:
28        try:
29            #規則1，連續三天收盤價變更不超過3%
30            if isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+1]['Close'],3) and isLessThanPer(df.iloc[cnt]['close'],df.iloc[cnt+2]['Close'],3) :
31                #規則2,連續三天成交量漲幅超過75%
32                if isMoreThanPer(df.iloc[cnt]['Volume'],df.iloc[cnt+1]['volume'],75) and isMoreThanPer(df.iloc[cnt]['Volume'],df.iloc[cnt+2]['Volume'],75) :
33                    print("Buy Point on:" + df.iloc[cnt]['Date'])
34        except: 
35            pass                
36        cnt=cnt+1

在第7行定義的isMoreThanPer方法裏，咱們比較了高價和低價，以判斷是否超過由參數per指定的漲幅。在第13行的isLessThanPer方法裏，咱們判斷了跌幅是否超過per指定的範圍。因爲這兩個功能常常會用到，因此咱們把它們封裝成函數。

從第18行到第25行，咱們完成了獲取並保存數據的動做，並用df對象保存了待遍歷的股票數據（即張江高科2018-09-01到2018-12-31的數據）。

在第27行到第36行按日期遍歷股票數據時，咱們制定了以下規則，連續三天股票的收盤價變更範圍不超過5%（即價平）且3天成交量的漲幅過75%（即量增），把知足條件的日期打印出來。運行後，咱們能看到11月2日這個買點。

在以前代碼基礎上改寫下，把時間範圍改爲2018-09-01到2018-12-31，再運行下，能看到以下圖所示的效果。

從中咱們能看到驗證後的結果：在11月2日以後，股票的漲幅比較明顯，確實是個合適的買點，從中咱們能看出「量增價平」的指導意義。

5 驗證「量減價平「的賣點

在以下calSellPointByVol.py案例中，咱們一樣是分析張江高科2018-09-01到2018-12-31的交易數據，本次咱們制定的策略是，第一，仍是連續三天股票的收盤價變更範圍不超過5%（即價平），第二，較第一日相比，第二日和第三日的成交量降低幅度超過75%（即量減）。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #漲幅是否大於指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/100:
9            return True
10        else:
11            return False        
12    #漲幅是否小於指定比率
13    def isLessThanPer(lessVal,highVal,per):
14        if np.abs(highVal-lessVal)/lessVal<per/100:
15            return True
16        else:
17            return False
18    #本次直接從文件裏獲得數據
19    df = pd.read_csv('D:/stockData/ch7/60089520181231.csv',encoding='gbk')
20    cnt=0    
21    while cnt<=len(df)-1:
22        try:
23            #規則1，連續三天收盤價變更不超過3%
24            if isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+1]['Close'],3) and isLessThanPer(df.iloc[cnt]['Close'],df.iloc[cnt+2]['close'],3) :
25                #規則2,連續三天成交量跌幅超過75%
26                if isMoreThanPer(df.iloc[cnt+1]['Volume'],df.iloc[cnt]['Volume'],75) and isMoreThanPer(df.iloc[cnt+2]['Volume'],df.loc[cnt]['Volume'],75) :
27                    print("Sell Point on:" + df.iloc[cnt]['Date'])
28        except: 
29            pass                
30        cnt=cnt+1