第29章：交易量分析的Python实战：使用Pandas处理交易量数据。可视化交易量模式。
说实话，交易量这个指标，很多新手容易忽略。大家总盯着K线、均线，觉得价格才是王道。但我做了这么多年量化，越来越觉得——交易量才是市场的“呼吸”。价格可以骗人，但交易量很难造假。
这一章，我们就用Python来解剖交易量。我会带着你，用Pandas处理数据，再用可视化把交易量的“脾气”给画出来。
29.1 为什么交易量分析这么重要？
你想想看，价格涨了，但交易量很小，说明什么？说明没多少人参与，这个上涨很可能是虚的。反过来，价格跌了，交易量暴增，那才是真恐慌。
我个人习惯，把交易量看作“燃料”。没有燃料的行情，走不远。我在项目中遇到过好几次，看着价格突破新高，兴奋得不行，结果一查交易量，萎缩得厉害。嗯，后来果然回调了。
29.2 用Pandas加载和清洗交易量数据
实战开始。我们先从CSV文件里把数据读进来。假设你手头有某只股票的历史日线数据，包含日期、开盘价、收盘价、最高价、最低价、交易量。
import pandas as pd
import numpy as np
# 读取数据
df = pd.read_csv('stock_data.csv', parse_dates=['date'])
df.set_index('date', inplace=True)
# 看一眼数据长什么样
print(df.head())数据读进来之后，第一件事就是检查有没有缺失值。交易量数据偶尔会出问题，比如某天停牌，交易量就是0或者NaN。
# 检查缺失值
print(df['volume'].isnull().sum())
# 处理缺失值：用前一天的交易量填充，或者直接删除
df['volume'].fillna(method='ffill', inplace=True)
# 如果交易量为0，也建议处理掉
df = df[df['volume'] > 0]29.3 计算交易量相关指标
光看原始交易量还不够，我们需要加工一下。常用的指标有这几个：
- 交易量移动平均（Volume MA）：平滑交易量，看趋势。
- 交易量比率（Volume Ratio）：当日交易量 / 过去N日均量，判断是否异常放量。
- 资金流向（Money Flow）：结合价格和交易量，看资金是流入还是流出。
# 计算20日交易量移动平均
df['volume_ma20'] = df['volume'].rolling(window=20).mean()
# 计算交易量比率（当日量 / 20日均量）
df['volume_ratio'] = df['volume'] / df['volume_ma20']
# 计算资金流向（简单版）
# 如果收盘价高于开盘价，视为资金流入
df['money_flow'] = np.where(df['close'] > df['open'],
df['volume'] * df['close'],
-df['volume'] * df['close'])
# 看看结果
print(df[['volume', 'volume_ma20', 'volume_ratio', 'money_flow']].tail())这里有个小技巧。我建议把交易量比率大于1.5的标记为“放量”，小于0.5的标记为“缩量”。这样一眼就能看出异常。
# 标记放量和缩量
df['volume_signal'] = '正常'
df.loc[df['volume_ratio'] > 1.5, 'volume_signal'] = '放量'
df.loc[df['volume_ratio'] < 0.5, 'volume_signal'] = '缩量'29.4 可视化交易量模式
数据算完了，接下来就是画图。我个人喜欢把价格和交易量放在一起看，这样能直观地发现量价关系。
下面这张SVG图，展示了交易量分析的核心逻辑：
好，接下来我们用Matplotlib画一个实战图。把价格曲线和交易量柱状图叠在一起看。
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 选取最近100个交易日
plot_df = df.tail(100)
fig, ax1 = plt.subplots(figsize=(12, 6))
# 左轴：价格
ax1.plot(plot_df.index, plot_df['close'], color='blue', linewidth=2, label='收盘价')
ax1.set_ylabel('价格', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')
# 右轴：交易量
ax2 = ax1.twinx()
# 用颜色区分涨跌
colors = ['red' if c > o else 'green' for c, o in zip(plot_df['close'], plot_df['open'])]
ax2.bar(plot_df.index, plot_df['volume'], color=colors, alpha=0.3, label='交易量')
ax2.set_ylabel('交易量', color='gray')
ax2.tick_params(axis='y', labelcolor='gray')
# 加上20日均量线
ax2.plot(plot_df.index, plot_df['volume_ma20'], color='orange', linewidth=1.5, linestyle='--', label='20日均量')
# 格式化x轴
ax1.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
plt.xticks(rotation=45)
# 标题和图例
plt.title('价格与交易量分析', fontsize=16)
fig.legend(loc='upper left', bbox_to_anchor=(0.1, 0.9))
plt.tight_layout()
plt.show()29.5 识别典型交易量模式
实战中，有几种交易量模式特别值得关注。我列个表，你对照着看：
| 模式名称 | 特征 | 含义 |
|---|---|---|
| 放量突破 | 价格突破关键阻力位，交易量显著放大 | 趋势确认，后续大概率继续上涨 |
| 缩量上涨 | 价格持续上涨，但交易量逐渐萎缩 | 上涨动力不足，可能即将回调 |
| 放量下跌 | 价格大跌，交易量暴增 | 恐慌性抛售，短期可能见底 |
| 缩量横盘 | 价格窄幅波动，交易量极度萎缩 | 市场在等待方向，变盘前兆 |
怎么用代码识别这些模式？其实不难。我们写几个条件：
# 识别放量突破：价格创20日新高，且交易量比率 > 1.5
df['新高'] = df['close'] > df['close'].rolling(20).max().shift(1)
df['放量突破'] = df['新高'] & (df['volume_ratio'] > 1.5)
# 识别缩量上涨：连续3日上涨，但交易量连续3日下降
df['涨'] = df['close'] > df['close'].shift(1)
df['连续涨'] = df['涨'].rolling(3).sum() == 3
df['量缩'] = df['volume'] < df['volume'].shift(1)
df['连续缩量'] = df['量缩'].rolling(3).sum() == 3
df['缩量上涨'] = df['连续涨'] & df['连续缩量']
# 看看结果
print(df[df['放量突破']][['close', 'volume', 'volume_ratio']].tail())
print(df[df['缩量上涨']][['close', 'volume']].tail())29.6 实战小技巧：交易量分布分析
除了看时间序列，我还喜欢分析交易量的价格分布。说白了，就是看看在哪个价格区间成交最多。这个在判断支撑位和阻力位时特别有用。
# 将价格分成10个区间
price_bins = pd.cut(df['close'], bins=10)
volume_by_price = df.groupby(price_bins)['volume'].sum().sort_values(ascending=False)
print('交易量最大的价格区间：')
print(volume_by_price.head(3))这个结果能告诉你，市场的主要成交密集区在哪里。如果当前价格跌破了这个密集区，那下面的支撑可能很弱。反过来，如果价格在密集区上方，那这个区域就成了强支撑。
好了，这一章的内容就到这里。交易量分析是个大话题，但核心就是一句话：量在价先。你回去把代码跑一遍，看看自己手里的股票，有没有出现放量突破或者缩量上涨的情况。实践出真知。