在用python的matplotlib和numpy庫繪製股票K線均線的整合效果（含從網路介面爬取資料和驗證交易策略程式碼）一文裡，我講述了通過爬蟲介面得到股票資料並繪製出K線均線圖形的方式，在本文裡，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。

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》一書裡提出著名的“量價理論”。“量價理論”的核心思想是，任何對股價的分析，如果離開了對成交量的分析，都將是無本之木，無水之源，因為成交量的增加或萎縮都表現出一定的股價趨勢。

    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，當股票供不應求時，大家爭相購買，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。

    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，股票每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。我們用yahoo介面得到的資料裡，有表示成交股數的Volumn列，其中的單位是“手”，一手為100股，在本部分裡，我們是通過Volumn列資料繪製股票的成交量資訊。

2 引入成交量

    在K線和均線整合成交量的效果圖裡，出於美觀的考慮，我們對整合的效果提出瞭如下三點要求。

    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。

    第二，上下兩個子圖共享x軸，也就是說，兩者x軸的刻度標籤和間隔應該是一樣的。

    第三，通過柱狀圖來繪製成交量圖，如果當天股票上漲，成交量圖是紅色，下跌則是綠色。   

    在如下的drawKMAAndVol.py案例，我們將實現增加成交量圖的效果。

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    #根據指定程式碼和時間範圍，獲取股票資料
8    df = pd.read_csv('D:/stockData/ch7/600895.csv',encoding='gbk')
9    #設定大小，共享x座標軸
10    figure,(axPrice, axVol) = plt.subplots(2, sharex=True, figsize=(15,8))
11    #呼叫方法，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")#設定子圖示題
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    #如下繪製成交量子圖
22    #直方圖表示成交量，用for迴圈處理不同的顏色
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）")#設定y軸標題
29    axVol.set_title("600895張江高科成交量")#設定子圖的標題
30    axVol.set_ylim(0,df['Volume'].max()/100000000*1.2)#設定y軸範圍
31    xmajorLocator = MultipleLocator(5) #將x軸主刻度設定為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()

    從第8行到第20行，我們一方面是從csv檔案裡讀取資料，另一方面在第一個子圖裡繪製了K線和均線圖。這部分的程式碼和之前很相似，不過請大家注意兩個點。

    第一，在第10行裡，不僅設定了繪圖區域的大小，更通過sharex=True語句，設定了axPrice和axVol這兩個子圖共享x軸。

    第二，第二，在第14、18、19和第20行，由於是在K線圖和均線圖的axPrice子圖裡操作，所以若干方法的呼叫主體是axPrice物件，而不是之前的pyplot.plt物件。

    從第23行到第36行裡，我們在axVol子圖裡繪製了成交量圖的效果。請大家注意第23行到第27行的for迴圈，在其中，我們通過第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，通過第25行或第27行的bar方法，設定當日成交量圖的填充顏色。從上述程式碼能看出，成交量是在自於csv檔案裡的Volume列。

    在繪製成交量圖的時候有兩個細節請大家注意一下。

    第一，在第25行、第27行和第30行裡，當我們設定y軸的刻度值和範圍時，我們除以了一個相同的數，這是因為在第28行我們設定y軸文字時，指定了y軸成交量的單位是“億手“。

    第二， 本次是通過第35行和第36行的for迴圈，設定了“x軸文字旋轉”的效果，從程式碼裡我們能看到，本案例中的旋轉角度是15度。

    上述程式碼的執行效果如下圖所示，從中大家能看兩個x軸刻度一致的子圖，且在成交量子圖裡，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著八大規律，通過下圖，我們能感受到這些規律，其中縱座標表示價（即股價），橫座標表示量（即成交量）。

    我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，隨著上述週期過程，股價也完成了一個從漲到跌的完整迴圈，下面我們來具體解釋一下。

    1．量增價平：股價經過持續下跌進入到低位狀態，出現了成交量增加但股價平穩的現象，此時不同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，同時伴隨著股價上漲趨勢，這說明股價上升得到了成交量的支撐，後市將繼續看好，這是中短線的買入訊號。

    3．量平價升：在股價持續上漲的過程中，如果多日的成交量保持等量水平，建議在這一階段中可以適當增加倉位。

    4．量縮價升：成交量開始減少，但股價依然在上升，此時應該視情況繼續持股。但如果還沒有買入的投資者就不宜再重倉介入，因為股價已經有了一定的漲幅，價位開始接近上限。

    5．量減價平：股價經長期大幅度上漲後，成交量顯著減少，股價也開始橫向調整不再上升，這是高位預警的訊號。這個階段裡一旦有風吹草動，比如突然拉出大陽線和大陰線，建議應出貨離場，做到落袋為安。

   6．量縮價跌：成交量在高位繼續減少，股價也開始進入下降通道，這是明確的賣出訊號。如果還出現縮量陰跌，這說明股價底部尚遠，不會輕易止跌。

    7．量平價跌：成交量停止減少，但股價卻出現急速下滑現象，這說明市場並沒有形成一致看空的共識。股諺有“多頭不死，跌勢不止“的說法，出現“量平價跌”的情況，說明主力開始逐漸退出市場，這個階段裡，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之後，有可能出現成交量增加的情況，此時的操作原則是建議賣出，或者空倉觀望。如果低價區成交量有增加，則說明有資金在此價位區間接盤，預示後期有望形成底部並出現反彈。但如果出現量增價跌，則建議應清倉出局。

    在下文裡，我們將通過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

    在如下的calBuyPointByVol.py案例中，我們將驗證“量增價平“的買點。在這段程式碼裡我們做了三件事，第一是通過yahoo介面得到了指定股票指定範圍內的交易資料，第二通過pandas介面儲存得到的資料，以便日後驗證，第三通過遍歷dataframe物件，計算量和價的關係，從而獲得買點日期。    

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，因為get_data_yahoo會多取一天資料
21    stock.drop(stock.index[len(stock)-1],inplace=True)
22    #儲存在本地
23    stock.to_csv('D:\\stockData\ch7\\60089520181231.csv')
24    #從檔案裡得到資料
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，連續三天收盤價變動不超過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方法裡，我們比較了高價和低價，以判斷是否超過由引數per指定的漲幅。在第13行的isLessThanPer方法裡，我們判斷了跌幅是否超過per指定的範圍。由於這兩個功能經常會用到，所以我們把它們封裝成函式。

    從第18行到第25行，我們完成了獲取並儲存資料的動作，並用df物件儲存了待遍歷的股票資料（即張江高科2018-09-01到2018-12-31的資料）。

    在第27行到第36行按日期遍歷股票資料時，我們制定瞭如下規則，連續三天股票的收盤價變動範圍不超過5%（即價平）且3天成交量的漲幅過75%（即量增），把滿足條件的日期打印出來。執行後，我們能看到11月2日這個買點。

    在之前程式碼基礎上改寫下，把時間範圍改成2018-09-01到2018-12-31，再執行下，能看到如下圖所示的效果。    

    從中我們能看到驗證後的結果：在11月2日之後，股票的漲幅比較明顯，確實是個合適的買點，從中我們能看出 “量增價平”的指導意義。

5 驗證“量減價平“的賣點

    在如下calSellPointByVol.py案例中，我們同樣是分析張江高科2018-09-01到2018-12-31的交易資料，本次我們制定的策略是，第一，還是連續三天股票的收盤價變動範圍不超過5%（即價平），第二，較第一日相比，第二日和第三日的成交量下降幅度超過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    #本次直接從檔案裡得到資料
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，連續三天收盤價變動不超過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

    上述程式碼和之前calBuyPointByVol.py案例很相似，只不過我們適當變更了第26行判斷“成交量”的if條件。上述程式碼執行後，我們能得到的賣點是2018-12-05，從上圖裡我們能看出，在這段時間之後的若干交易日裡，張江高科的股價確實有下跌現象。

6 求推薦，後文預告與版權說明

    在本系列的後面文章中，將陸續通過python繪製成交量、KDJ、MACD、RSI，BIAS和OBV等指標，而且還會用Python編寫針對這些指標的交易策略，敬請關注。

    本文用了我將近2個小時，如果大家感覺好，請幫忙推薦下。

    關於轉載有如下的說明。

    1 本文文字和程式碼均屬原創，可轉載，但謝絕用於商業使用者。

    2 轉載時請用連結的方式，給出原文出處，同時寫明原作者是hsm_computer。

    3 在轉載時，請原文轉載 ，如要在轉載修改本文，請事先告知，謝絕在轉載時通過修改本文達到有利於轉載者的目