第 15 篇：量价分析：成交量、换手率与 OBV

import numpy as np
import pandas as pd


def load_data():
    """优先 akshare 真实行情（含成交量、成交额），失败退回固定种子模拟数据。"""
    try:
        import akshare as ak
        raw = ak.stock_zh_a_hist(symbol="000001", period="daily",
                                 start_date="20200101", end_date="20241231",
                                 adjust="qfq")                 # 前复权，保证价格连续
        raw = raw.rename(columns={"日期": "date", "收盘": "close",
                                  "成交量": "volume", "成交额": "amount"})
        df = raw[["date", "close", "volume", "amount"]].copy()
        df["date"] = pd.to_datetime(df["date"])
        df = df.set_index("date")
        print(f"已加载 akshare 真实数据：000001，共 {len(df)} 个交易日")
    except Exception as e:
        print(f"akshare 不可用（{e}），改用本地模拟数据")
        rng = np.random.default_rng(15)
        idx = pd.bdate_range("2020-01-01", "2024-12-31")
        close = 10 * np.cumprod(1 + rng.normal(0.0002, 0.015, len(idx)))
        volume = rng.lognormal(mean=11, sigma=0.4, size=len(idx)).round()  # 模拟成交量（手）
        df = pd.DataFrame({"close": close, "volume": volume,
                           "amount": volume * 100 * close},   # 手 × 100 股 × 价格 ≈ 成交额
                          index=idx)
        df.index.name = "date"
        print(f"已生成模拟数据，共 {len(df)} 个交易日")
    return df


df = load_data()

import numpy as np
import pandas as pd

# —— 换手率 = 成交量 ÷ 流通股本（教学简化：股本取固定值回溯全区间）——
FLOAT_SHARES = 1.9e9                                     # 教学假设的流通股本（股）
try:
    import akshare as ak
    info = ak.stock_individual_info_em(symbol="000001")   # 个股资料表，含流通股字段
    float_shares = float(info.loc[info["item"] == "流通股", "value"].iloc[0])
    print(f"已从 akshare 获取流通股本：{float_shares / 1e8:.2f} 亿股")
except Exception:
    float_shares = FLOAT_SHARES                           # 接口不可用就用假设值
    print(f"股本接口不可用，改用教学假设值：{float_shares / 1e8:.2f} 亿股")

df["turnover_pct"] = df["volume"] * 100 / float_shares * 100   # 手→股，再转百分比
# 等价校验：成交额 ÷ 流通市值（收盘价 × 流通股本），两条路径应非常接近
df["turnover_mv"] = df["amount"] / (df["close"] * float_shares) * 100
df["gap"] = (df["turnover_pct"] - df["turnover_mv"]).abs()    # 两条路径的差距

print("换手率描述统计（%）：")
print(df["turnover_pct"].describe().round(2))
print(f"两条计算路径的平均差距：{df['gap'].mean():.4f} 个百分点")
print("\n换手率最高的 5 个交易日（%）：")
print(df["turnover_pct"].sort_values(ascending=False).head().round(2))

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]  # 中文显示
plt.rcParams["axes.unicode_minus"] = False

# —— OBV：价涨日 +量、价跌日 −量、平盘记 0，逐日累加 ——
direction = np.sign(df["close"].diff()).fillna(0)          # +1 / −1 / 0
df["obv"] = (direction * df["volume"]).cumsum()            # 三行核心：符号 × 量，累加

# —— 量价背离识别：20 日窗口内价格方向与 OBV 方向相反 ——
window = 20
df["price_chg"] = df["close"].pct_change(window)           # 20 日价格涨跌幅
df["obv_chg"] = df["obv"].diff(window)                     # 20 日 OBV 增量
top_div = df[(df["price_chg"] > 0) & (df["obv_chg"] < 0)]  # 价涨量缩：顶背离嫌疑
bot_div = df[(df["price_chg"] < 0) & (df["obv_chg"] > 0)]  # 价跌量不缩：底背离嫌疑
print(f"{window} 日窗口口径：顶背离嫌疑 {len(top_div)} 天，底背离嫌疑 {len(bot_div)} 天")
if len(top_div):
    print("最近一次顶背离嫌疑日期：", top_div.index[-1].strftime("%Y-%m-%d"))

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 7), sharex=True)
ax1.plot(df.index, df["close"], color="black", lw=1.2, label="收盘价")
ax1.set_ylabel("价格（前复权）")
ax1.legend(loc="upper left")
ax1.grid(alpha=0.3)
ax2.plot(df.index, df["obv"], color="steelblue", lw=1.2, label="OBV")
ax2.set_ylabel("OBV（手）")
ax2.legend(loc="upper left")
ax2.grid(alpha=0.3)
fig.suptitle("价格与 OBV 对照：肉眼检查量价背离（2020-2024）")
fig.tight_layout()
plt.savefig("obv_divergence.png", dpi=150)
print("已保存对照图 obv_divergence.png")

已加载 akshare 真实数据：000001，共 1215 个交易日
已从 akshare 获取流通股本：194.06 亿股
换手率描述统计（%）：
count    1215.00
mean        0.66
std         0.33
min         0.12
25%         0.42
50%         0.58
75%         0.83
max         2.71
两条计算路径的平均差距：0.0131 个百分点

换手率最高的 5 个交易日（%）：
date
2020-07-07    2.71
2020-07-06    2.58
2020-02-25    2.44
2020-07-09    2.37
2020-09-01    2.29
Name: turnover_pct, dtype: float64
20 日窗口口径：顶背离嫌疑 173 天，底背离嫌疑 158 天
最近一次顶背离嫌疑日期： 2024-12-18
已保存对照图 obv_divergence.png