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(含从网络接口

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,我讲述了通过爬虫接口得到股票数据并绘制出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。

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,如果离开了对成交量的分析,都将是无本之木,无水之源,因为成交量的增加或萎缩都表现出一定的股价趋势。

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,当股票供不应求时,大家争相购买,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。

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,股票每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。我们用yahoo接口得到的数据里,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,我们是通过Volumn列数据绘制股票的成交量信息。

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,我们对整合的效果提出了如下三点要求。

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。

第二,上下两个子图共享x轴,也就是说,两者x轴的刻度标签和间隔应该是一样的。

第三,通过柱状图来绘制成交量图,如果当天股票上涨,成交量图是红色,下跌则是绿色。

在如下的drawKMAAndVol.py案例,我们将实现增加成交量图的效果。

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    #如下绘制成交量子图
22    #直方图表示成交量,用for循环处理不同的颜色
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轴的展示文字角度
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,我们一方面是从csv文件里读取数据,另一方面在第一个子图里绘制了K线和均线图。这部分的代码和之前很相似,不过请大家注意两个点。

第一,在第10行里,不仅设置了绘图区域的大小,更通过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14、18、19和第20行,由于是在K线图和均线图的axPrice子图里操作,所以若干方法的调用主体是axPrice对象,而不是之前的pyplot.plt对象。

从第23行到第36行里,我们在axVol子图里绘制了成交量图的效果。请大家注意第23行到第27行的for循环,在其中,我们通过第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,通过第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大家注意一下。

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

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

上述代码的运行效果如下图所示,从中大家能看两个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,通过下图,我们能感受到这些规律,其中纵坐标表示价(即股价),横坐标表示量(即成交量)。

我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,下面我们来具体解释一下。

1.量增价平:股价经过持续下跌进入到低位状态,出现了成交量增加但股价平稳的现象,此时不同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,这说明股价上升得到了成交量的支撑,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中,如果多日的成交量保持等量水平,建议在这一阶段中可以适当增加仓位。

4.量缩价升:成交量开始减少,但股价依然在上升,此时应该视情况继续持股。但如果还没有买入的投资者就不宜再重仓介入,因为股价已经有了一定的涨幅,价位开始接近上限。

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

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

7.量平价跌:成交量停止减少,但股价却出现急速下滑现象,这说明市场并没有形成一致看空的共识。股谚有“多头不死,跌势不止“的说法,出现“量平价跌”的情况,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之后,有可能出现成交量增加的情况,此时的操作原则是建议卖出,或者空仓观望。如果低价区成交量有增加,则说明有资金在此价位区间接盘,预示后期有望形成底部并出现反弹。但如果出现量增价跌,则建议应清仓出局。

在下文里,我们将通过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

在如下的calBuyPointByVol.py案例中,我们将验证“量增价平“的买点。在这段代码里我们做了三件事,第一是通过yahoo接口得到了指定股票指定范围内的交易数据,第二通过pandas接口保存得到的数据,以便日后验证,第三通过遍历dataframe对象,计算量和价的关系,从而获得买点日期。

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,因为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    #从文件里得到数据
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,连续三天收盘价变动不超过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,我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,我们判断了跌幅是否超过per指定的范围。由于这两个功能经常会用到,所以我们把它们封装成函数。

从第18行到第25行,我们完成了获取并保存数据的动作,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,我们制定了如下规则,连续三天股票的收盘价变动范围不超过5%(即价平)且3天成交量的涨幅过75%(即量增),把满足条件的日期打印出来。运行后,我们能看到11月2日这个买点。

在之前代码基础上改写下,把时间范围改成2018-09-01到2018-12-31,再运行下,能看到如下图所示的效果。

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

5 验证“量减价平“的卖点

在如下calSellPointByVol.py案例中,我们同样是分析张江高科2018-09-01到2018-12-31的交易数据,本次我们制定的策略是,第一,还是连续三天股票的收盘价变动范围不超过5%(即价平),第二,较第一日相比,第二日和第三日的成交量下降幅度超过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    #本次直接从文件里得到数据
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,连续三天收盘价变动不超过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

上述代码和之前calBuyPointByVol.py案例很相似,只不过我们适当变更了第26行判断“成交量”的if条件。上述代码运行后,我们能得到的卖点是2018-12-05,从上图里我们能看出,在这段时间之后的若干交易日里,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,将陆续通过python绘制成交量、KDJ、MACD、RSI,BIAS和OBV等指标,而且还会用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,如果大家感觉好,请帮忙推荐下。

关于转载有如下的说明。

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 转载时请用链接的方式,给出原文出处,同时写明原作者是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,谢绝在转载时通过修改本文达到有利于转载者的目的。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券