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
:
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
:
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。
