用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码）用python的matplotlib和numpy库绘制股票K线均线的整合效果（含从网络接

时间 2019-12-10

标签 python matplotlib numpy 绘制股票均线成交量整合效果含量验证交易策略代码网络栏目 Python 繁體版

原文原文链接

在用python的matplotlib和numpy库绘制股票K线均线的整合效果（含从网络接口爬取数据和验证交易策略代码）一文里，我讲述了经过爬虫接口获得股票数据并绘制出K线均线图形的方式，在本文里，将在此基础上再引入成交量效果图，并结合量价理论，给出并验证一些交易策略。html

1 成交量对量化分析的意义

美国的股市分析家葛兰碧（Joe Granville）在他所著的《股票市场指标》一书里提出著名的“量价理论”。“量价理论”的核心思想是，任何对股价的分析，若是离开了对成交量的分析，都将是无本之木，无水之源，由于成交量的增长或萎缩都表现出必定的股价趋势。python

成交量是指时间单位内已经成交的股数或总手数。成交量能反应出股市交易中的供求关系，其中道理是比较浅显易懂的，当股票供不该求时，你们争相购买，成交量就很大了，反之当供过于求时，则说明市场交易冷淡，成交量必然萎缩。网络

广义的成交量包括成交股数（Volumn或Vol）、成交金额（AMOUNT，时间单位内已经成交的总金额数）和换手率（TUN，股票天天成交量除以股票的流通总股本所得的比率），而狭义则是指成交股数。咱们用yahoo接口获得的数据里，有表示成交股数的Volumn列，其中的单位是“手”，一手为100股，在本部分里，咱们是经过Volumn列数据绘制股票的成交量信息。less

2 引入成交量

在K线和均线整合成交量的效果图里，出于美观的考虑，咱们对整合的效果提出了以下三点要求。函数

第一，绘制上下两个子图，上图放K线和均线，下图放成交量效果。post

第二，上下两个子图共享x轴，也就是说，二者x轴的刻度标签和间隔应该是同样的。url

第三，经过柱状图来绘制成交量图，若是当天股票上涨，成交量图是红色，下跌则是绿色。 spa

在以下的drawKMAAndVol.py案例，咱们将实现增长成交量图的效果。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    #根据指定代码和时间范围，获取股票数据
8    df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk')
9    #设置大小，共享x坐标轴
10    figure,(axPrice, axVol) = plt.subplots(2, sharex=True, figsize=(15,8))
11    #调用方法，绘制K线图 
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张江高科K线图和均线图")#设置子图标题
15    df['Close'].rolling(window=3).plot(ax=axPrice,color="red",label='3天均线')
16    df['Close'].rolling(window=5).plot(ax=axPrice,color="blue",label='5天均线')
17    df['Close'].rolling(window=10).plot(ax=axPrice,color="green",label='10天均线')
18    axPrice.legend(loc='best') #绘制图例
19    axPrice.set_ylabel("价格（单位：元）")
20    axPrice.grid(True) #带网格线
21    #以下绘制成交量子图
22    #直方图表示成交量，用for循环处理不一样的颜色
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（单位：亿手）")#设置y轴标题
29    axVol.set_title("600895张江高科成交量")#设置子图的标题
30    axVol.set_ylim(0,df['Volume'].max()/100000000*1.2)#设置y轴范围
31    xmajorLocator = MultipleLocator(5) #将x轴主刻度设置为5的倍数
32    axVol.xaxis.set_major_locator(xmajorLocator)
33    axVol.grid(True) #带网格线
34    #旋转x轴的展现文字角度
35    for xtick in axVol.get_xticklabels():
36        xtick.set_rotation(15)
37    plt.rcParams['font.sans-serif']=['SimHei']
38    plt.show()

从第8行到第20行，咱们一方面是从csv文件里读取数据，另外一方面在第一个子图里绘制了K线和均线图。这部分的代码和以前很类似，不过请你们注意两个点。htm

第一，在第10行里，不只设置了绘图区域的大小，更经过sharex=True语句，设置了axPrice和axVol这两个子图共享x轴。

第二，第二，在第1四、1八、19和第20行，因为是在K线图和均线图的axPrice子图里操做，因此若干方法的调用主体是axPrice对象，而不是以前的pyplot.plt对象。

从第23行到第36行里，咱们在axVol子图里绘制了成交量图的效果。请你们注意第23行到第27行的for循环，在其中，咱们经过第24行的if语句，比较收盘价和开盘价，以判断当天股票是涨是跌，在此基础上，经过第25行或第27行的bar方法，设置当日成交量图的填充颜色。从上述代码能看出，成交量是在自于csv文件里的Volume列。

在绘制成交量图的时候有两个细节请你们注意一下。

第一，在第25行、第27行和第30行里，当咱们设置y轴的刻度值和范围时，咱们除以了一个相同的数，这是由于在第28行咱们设置y轴文字时，指定了y轴成交量的单位是“亿手“。

第二，本次是经过第35行和第36行的for循环，设置了“x轴文字旋转”的效果，从代码里咱们能看到，本案例中的旋转角度是15度。

上述代码的运行效果以下图所示，从中你们能看两个x轴刻度一致的子图，且在成交量子图里，上涨日和下跌日的成交量填充色分别是红色和绿色。

3 成交量与股价的关系

成交量和股价间也存在着八大规律，经过下图，咱们能感觉到这些规律，其中纵坐标表示价（即股价），横坐标表示量（即成交量）。

咱们能看出量价之间的八种关系，即量增价平、量增价升、量平价升、量缩价升、量减价平、量缩价跌、量平价跌、量跌价升，随着上述周期过程，股价也完成了一个从涨到跌的完整循环，下面咱们来具体解释一下。

1．量增价平：股价通过持续下跌进入到低位状态，出现了成交量增长但股价平稳的现象，此时不一样天的成交量高度落差可能比较明显，这说明该股在底部积聚上涨动力。

2．量增价升：成交量在低价位区持续上升，同时伴随着股价上涨趋势，这说明股价上升获得了成交量的支撑，后市将继续看好，这是中短线的买入信号。

3．量平价升：在股价持续上涨的过程当中，若是多日的成交量保持等量水平，建议在这一阶段中能够适当增长仓位。

4．量缩价升：成交量开始减小，但股价依然在上升，此时应该视状况继续持股。但若是尚未买入的投资者就不宜再重仓介入，由于股价已经有了必定的涨幅，价位开始接近上限。

5．量减价平：股价经长期大幅度上涨后，成交量显著减小，股价也开始横向调整再也不上升，这是高位预警的信号。这个阶段里一旦有风吹草动，好比忽然拉出大阳线和大阴线，建议应出货离场，作到落袋为安。

6．量缩价跌：成交量在高位继续减小，股价也开始进入降低通道，这是明确的卖出信号。若是还出现缩量阴跌，这说明股价底部尚远，不会轻易止跌。

7．量平价跌：成交量中止减小，但股价却出现急速下滑现象，这说明市场并无造成一致看空的共识。股谚有“多头不死，跌势不止“的说法，出现“量平价跌”的状况，说明主力开始逐渐退出市场，这个阶段里，应继续观望或者出货，别轻易去买入以所谓的“抢反弹”。

8．量增价跌：股价经长期大幅下跌以后，有可能出现成交量增长的状况，此时的操做原则是建议卖出，或者空仓观望。若是低价区成交量有增长，则说明有资金在此价位区间接盘，预示后期有望造成底部并出现反弹。但若是出现量增价跌，则建议应清仓出局。

在下文里，咱们将经过Python语言验证量价理论中的两个规则。

4 验证“量增价平“的买点

在以下的calBuyPointByVol.py案例中，咱们将验证“量增价平“的买点。在这段代码里咱们作了三件事，第一是经过yahoo接口获得了指定股票指定范围内的交易数据，第二经过pandas接口保存获得的数据，以便往后验证，第三经过遍历dataframe对象，计算量和价的关系，从而得到买点日期。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #涨幅是否大于指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/100:
9            return True
10        else:
11            return False        
12    #涨幅是否小于指定比率
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    #删除最后一行，由于get_data_yahoo会多取一天数据
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    #从文件里获得数据
25    df = pd.read_csv('D:/stockData/ch7/60089520181231.csv',encoding='gbk')
26    cnt=0    
27    while cnt<=len(df)-1:
28        try:
29            #规则1，连续三天收盘价变更不超过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                #规则2,连续三天成交量涨幅超过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行定义的isMoreThanPer方法里，咱们比较了高价和低价，以判断是否超过由参数per指定的涨幅。在第13行的isLessThanPer方法里，咱们判断了跌幅是否超过per指定的范围。因为这两个功能常常会用到，因此咱们把它们封装成函数。

从第18行到第25行，咱们完成了获取并保存数据的动做，并用df对象保存了待遍历的股票数据（即张江高科2018-09-01到2018-12-31的数据）。

在第27行到第36行按日期遍历股票数据时，咱们制定了以下规则，连续三天股票的收盘价变更范围不超过5%（即价平）且3天成交量的涨幅过75%（即量增），把知足条件的日期打印出来。运行后，咱们能看到11月2日这个买点。

在以前代码基础上改写下，把时间范围改为2018-09-01到2018-12-31，再运行下，能看到以下图所示的效果。

从中咱们能看到验证后的结果：在11月2日以后，股票的涨幅比较明显，确实是个合适的买点，从中咱们能看出 “量增价平”的指导意义。

5 验证“量减价平“的卖点

在以下calSellPointByVol.py案例中，咱们一样是分析张江高科2018-09-01到2018-12-31的交易数据，本次咱们制定的策略是，第一，仍是连续三天股票的收盘价变更范围不超过5%（即价平），第二，较第一日相比，第二日和第三日的成交量降低幅度超过75%（即量减）。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas_datareader
4    import pandas as pd
5    import numpy as np
6    #涨幅是否大于指定比率
7    def isMoreThanPer(lessVal,highVal,per):
8        if np.abs(highVal-lessVal)/lessVal>per/100:
9            return True
10        else:
11            return False        
12    #涨幅是否小于指定比率
13    def isLessThanPer(lessVal,highVal,per):
14        if np.abs(highVal-lessVal)/lessVal<per/100:
15            return True
16        else:
17            return False
18    #本次直接从文件里获得数据
19    df = pd.read_csv('D:/stockData/ch7/60089520181231.csv',encoding='gbk')
20    cnt=0    
21    while cnt<=len(df)-1:
22        try:
23            #规则1，连续三天收盘价变更不超过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                #规则2,连续三天成交量跌幅超过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

上述代码和以前calBuyPointByVol.py案例很类似，只不过咱们适当变动了第26行判断“成交量”的if条件。上述代码运行后，咱们能获得的卖点是2018-12-05，从上图里咱们能看出，在这段时间以后的若干交易日里，张江高科的股价确实有下跌现象。

6 求推荐，后文预告与版权说明

在本系列的后面文章中，将陆续经过python绘制成交量、KDJ、MACD、RSI，BIAS和OBV等指标，并且还会用Python编写针对这些指标的交易策略，敬请关注。

本文用了我将近2个小时，若是你们感受好，请帮忙推荐下。

关于转载有以下的说明。

1 本文文字和代码均属原创，可转载，但谢绝用于商业用户。

2 转载时请用连接的方式，给出原文出处，同时写明原做者是hsm_computer。

3 在转载时，请原文转载，如要在转载修改本文，请事先告知，谢绝在转载时经过修改本文达到有利于转载者的目的。