如何用 Python 计算 VR 成交量变异率指标？

原创

用户7083614

发布于 2026-10-17 10:00:59

290

一句话回答： VR（Volume Ratio，成交量变异率）把过去 N 日「上涨日的成交量」和「下跌日的成交量」相比，衡量多方与空方的量能对比：VR 高说明上涨日放量、买盘积极，VR 低说明下跌日放量、抛压重。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 VR，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

只看价格看不出「量能站在哪一边」。同样横盘，若上涨日总是放量、下跌日缩量，说明资金在吸筹（VR 偏高）；反之则是派发。VR 用成交量的多空分配量化这种能量对比。坑在于：一是要用前复权价判断涨跌方向，避免除权跳空误判；二是平盘日的成交量要按惯例折半计入分子分母，别漏掉。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=250,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

判断涨跌用前复权收盘价（adjust="forward"），避免除权日把正常交易误判成涨/跌。

第 2 步：计算 VR（含平盘日折半）

def vr(df: pd.DataFrame, n: int = 26) -> pd.Series:
    chg = df["close"].diff()
    up_vol = df["volume"].where(chg > 0, 0.0)      # 上涨日成交量
    down_vol = df["volume"].where(chg < 0, 0.0)    # 下跌日成交量
    flat_vol = df["volume"].where(chg == 0, 0.0)   # 平盘日成交量
    up = up_vol.rolling(n).sum() + 0.5 * flat_vol.rolling(n).sum()
    down = down_vol.rolling(n).sum() + 0.5 * flat_vol.rolling(n).sum()
    return up / down * 100

df["VR"] = vr(df, n=26)
print(df[["trade_date", "close", "VR"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值/解读
`n`	统计周期	26
`VR`	上涨日量能 ÷ 下跌日量能 ×100	越高多方量能越强
平盘日	收盘=昨收	成交量折半计入分子和分母

第 3 步：阈值参考（相对，不是绝对买卖点）

cur = df["VR"].iloc[-1]
if cur >= 350:
    state = "高位（量能过热，警惕）"
elif cur <= 40:
    state = "低位（缩量/超卖，可能筑底）"
elif cur < 80:
    state = "偏低（活跃度不足）"
else:
    state = "正常（80~350）"
print(f"当前 VR={cur:.1f} → {state}")

VR 常用区间（经验参考，因品种而异）：

VR 区间	含义	参考
< 40	低价区（超卖/地量）	可能筑底，但也可能阴跌
40 ~ 80	安全/偏低区	活跃度一般
80 ~ 160	正常区	多空均衡
160 ~ 350	获利/活跃区	上涨放量
350	警戒区	量能过热，注意风险

第 4 步：全市场批量筛「低位 VR」候选

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ", "300750.SZ"]
data = af.klines.batch(codes, period="1d", count=60,
                       adjust="forward", to_dataframe=True)  # dict{symbol: DataFrame}

low_vr = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    v = vr(k)
    if pd.notna(v.iloc[-1]) and v.iloc[-1] <= 60:
        low_vr.append((sym, round(float(v.iloc[-1]), 1)))
print("低位 VR 候选:", low_vr)

关键坑与注意事项

必须用前复权价判涨跌：除权跳空会把方向判反，量能归错边。
平盘日折半：close==prev 的成交量按惯例各半计入分子分母，别只算涨跌日。
VR 是相对指标：阈值是经验参考、非绝对买卖信号；高 VR 可能续涨也可能见顶，需结合价格与趋势。
低 VR 未必立刻反弹：地量可能长期阴跌，别单凭低 VR 抄底。
除以零风险：区间内几乎无下跌日时分母趋近 0，VR 会极大，需注意异常值处理。
样本足够：n=26 需要预热，count 建议 ≥ 40，忽略头部 NaN。

常见问题（FAQ）

Q：VR 和 OBV、量比有什么区别？

A：OBV 累加带方向的成交量看趋势；量比看当日量对近期均量的放大；VR 则看一段时间内涨跌日的量能占比，三者角度不同、可互补。

Q：VR 的默认周期用多少？

A：常用 26。周期越短越灵敏、噪音越大。可搭配一条 VR 的移动平均（如 6 日）作辅助。

Q：VR 高就一定要卖吗？

A：不一定。高 VR 说明上涨放量、人气旺，可能继续，也可能过热见顶，要结合价格结构判断，别单指标决策。

Q：需要付费吗？

A：单只历史日线有免费额度；全市场批量算 VR（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

VR 成交量变异率的本质是「上涨日量能 ÷ 下跌日量能」，用成交量在多空之间的分配衡量能量对比。实现只需 pandas，不依赖 TA-Lib。关键是用前复权价判涨跌、平盘日折半、把阈值当相对参考而非绝对信号。用 AlphaFeed 取回前复权日线，几行就能算 VR 并做全市场筛选。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

pandas

python

#量化交易

#股票数据