目錄

• 1.量價關係概述
• 2.量價關係分析
• • 2.1 價漲量增
  • 2.2 價漲量平
  • 2.3 價漲量縮
  • 2.4 價平量增
  • 2.5 價平量縮
  • 2.6 價跌量增
  • 2.7價跌量平
  • 2.8 價跌量縮
• 3. 成交量與均線思想結合制定交易策略

1.量價關係概述

“量”有成交量(股數)、成交金額、換手率等多種表現形式，“量”一般指交易市場中某種證券在某一特定時期內的交易數量。成交量體現了市場中多空力量的博弈。

• 成交的股數一般以“手”為單位，一手為100股。
• 成交額則直接體現了交易的資金量。
• 換手率指股票的每日成交量與股票的流通股本比值，主要體現個股的流動性和活躍度。

“價”指證券的交易價格，對股票而言一般指收盤價。
價格的變化與成交量有明顯的相關關係。成交量是市場供求的一種表現

• 當市場供不應求時，即市場利好於多方力量時，投資者會紛紛進入市場買入股票，成交量會增加。
• 另一方面，市場處於冷清狀態時，股票買方力量薄弱，購買量較少，成交量可能會減少。

一般來說，低成交量會伴隨價格的降低，高成交量會伴隨價格的上漲。成交量較大且價格上升時，適宜看漲；成交量較小且價格降低時，適宜看跌。

2.量價關係分析

量價關係不僅僅只有量高價漲和量低下跌這兩種簡單的形式。在上漲的行情中價格上漲有可能對應著成交量的下跌；在下跌行情中，價格下跌反而可能對應著成交量的上漲。
與價格一樣，成交量可以有上漲、下跌、持平三種狀態。每一個成交量的狀態都可以與三種價格變化形態相聯絡，進而一共有9種對應關係。下邊是幾中常見的：

2.1 價漲量增

“價漲量增”的指價格與成交量同時增加，或者說價格隨成交量的增加而增加。
價漲量增主要出現在上漲行情中，成交量的增加預示著股票價格上升動能的增強，股票價格會繼續走高。
在中長期價漲量增關係中，市場的中長期都是上漲行情，股票市場短期的降價回撥都是入場的好機會。價漲量增可能在下跌行情底部回升時，出現價漲量增，市場上出現了諸多利好因素，說明股票價格為來處於回升階段，投資者可以從底部入場，等到價格上漲行情湧現時，獲取盈利。

2.2 價漲量平

“價漲量平”表明當價格在持續上漲時，股票的成交量卻不再上漲而是保持持平狀態。即成交量的變化不大，價格上漲的動能可能不會再增加。價漲量平體現出一種背離關係，量價的背離釋放出市場可能反轉的訊號。

2.3 價漲量縮

“價漲量縮”也是一種背離關係。市場橫盤調整完可能會出現價漲量縮的情形，經過一番調整，一些投資者被洗盤出局，在洗盤過程中，市場參與者逐漸減少。洗盤結束初期行情看好，價格上漲，但獲利盤賣盤較少，交易量呈現出收縮情形。

2.4 價平量增

價平量增出現在下跌行情的底部可能反轉的情形中。在下跌行情中，價格不再下跌而是持平，但交易量在增大，說明多方力量(莊家)可能進行了低位佈局。市場中出現了一些利好資訊，買方力量在逐漸增強，多方投資者預測到未來可能出現的上漲趨勢，在低位入場推動成交量上漲。此外，在上漲行情中，“價平量增”表明市場出現“高位滯漲”情形，價格處於高位時，價格不再上漲，而成交量卻在增加，一種可能是股票市場在更換“莊家”。一般不能把價平量增的形態理解為市場處於中期洗盤調整期，因為洗盤成交量會收縮而不是增加。

2.5 價平量縮

一般出現在新一輪上漲行情初期，價格保持穩定而成交量在減少。當市場進行調整洗盤時，可能會出現“價平量縮”。

2.6 價跌量增

“價跌量增”指成交量增加的情況下，股票價格反而下跌。
一般出現在高位下跌行情初期。投資者不看好市場，賣方力量較大，投資者大量賣出。
另一種可能是下跌末期的市場，做多力量慢慢增強，成交量會增加，但多方力量與空方力量的較量還不至於會抬高股價，價格依舊下跌。

2.7價跌量平

“價跌量平”表示當價格下跌時，成家立保持平穩。價跌量平釋放出趨勢回穩訊號，但還是沒辦法預測後市介個走勢。如果“價跌量平”跟隨在“價平量平”後面，則表明已經開始出現下跌行情，成交量不變，股價大幅下滑，投資者要可能要考慮及時出逃。

2.8 價跌量縮

股價下跌的同時成交量也在收縮。
當市場出於盤整期，市場價格下跌，一部分投資者逃離市場，可能會出現該情形。
在單邊下跌行情階段，“價跌量跌”形態體現出市場即將出現止跌的情形，空方力量逐漸耗盡，賣出力量較小，成交量也在減小。
此外，在單邊下跌行情中，市場行情不好，買方力量很弱，接盤力量較小，也會出現“價跌量縮”的情形。

3. 成交量與均線思想結合制定交易策略

步驟概述如下：

1. 獲取成交量資料volume，計算成交量的5日簡單移動平均數VolSMA5和10日簡單移動平均數VolSMA10，並制定成交量均值VolSMA，
   V o l S M A = V o l S M A 5 + V o l S M A 10 2 \displaystyle VolSMA=\frac{VolSMA5+VolSMA10}{2} VolSMA=2VolSMA5+VolSMA10​
2. 獲取價格資料，獲取5日移動平均和20日簡單移動平均數
3. 制定交易訊號：成交量volume大於成交量均值VolSMA時，釋放出買入訊號；成交量volume小於等於成交量均值VolSMA時，釋放出賣出訊號。
4. 價格5日均線向上突破20日均線時，釋放買入訊號；反之，賣出釋放訊號。
5. 合併交易訊號。成交量與均線均釋放買入時才買入，均釋放賣出時執行賣出。
6. 交易策略評價。

# 獲取資料
import tushare as ts
import pandas as pd
import numpy as np
token = 'Your token'   # 輸入你的介面密匙，獲取方式及相關許可權見Tushare官網。這句話不能照抄！
pro = ts.pro_api(token)
def get_data(tscode):
	df = pro.daily(ts_code=tscode)
	df = df.loc[:, ['trade_date', 'open', 'high', 'low', 'close', 'vol']]
	df.rename(
	    columns={
	        'trade_date': 'Date', 'open': 'Open',
	        'high': 'High', 'low': 'Low',
	        'close': 'Close', 'vol': 'Volume'},
	    inplace=True)       # 重定義列名，方便統一規範操作。
	df['Date'] = pd.to_datetime(df['Date'])  # 轉換日期列的格式，便於作圖
	df.set_index(['Date'], inplace=True)  # 將日期列作為行索引
	df = df.sort_index() # 倒序以便作圖
	return df

df = get_data('002271.SZ')   # 東方雨虹為例

# 定義簡單移動平均函式
def smaCal(tsPrice, k):
	import pandas as pd
	Sma = pd.Series(0.0, index=tsPrice.index)
	for i in range(k-1, len(tsPrice)):
		Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
	return(Sma)

# 求成交量均值VolSMA
VolSMA5 = smaCal(df.Volume, 5)[9:]
VolSMA10 = smaCal(df.Volume, 10)[9:]
VolSMA = ((VolSMA5+VolSMA10)/2)

# 制定交易訊號
VolSignal=(df.Volume[9:] > VolSMA) *1

sma5=smaCal(df.Close,5)[19:]
sma20=smaCal(df.Close,20)[19:]

# 定義向上突破函式
def upbreak(Line,RefLine):
	signal = np.all([Line > RefLine,Line.shift(1) < RefLine.shift(1)],axis=0)
	return pd.Series(signal[1:],index=Line.index[1:])*1	

# 定義向下突破函式
def downbreak(Line,RefLine):
	signal = np.all([Line < RefLine,Line.shift(1) > RefLine.shift(1)],axis=0)
	return pd.Series(signal[1:],index=Line.index[1:])*1

# 捕捉5日均線向上突破20日均線的日期
UpSMA = upbreak(sma5,sma20)
# 捕捉5日均線向下突破20日均線的日期
DownSMA = downbreak(sma5,sma20)

# 指定均線交叉的買賣訊號，併合並買賣訊號
SMAsignal = UpSMA - DownSMA

# 對成交量訊號與價格均線訊號進行加總
signal = VolSignal + SMAsignal
signal = signal.dropna()
trade = signal.replace([2,-2,1,-1,0],[1,-1,0,0,0])
trade = trade.shift(1)[1:]

# 求該策略勝率
ret = ((df.Close-df.Close.shift(1)) / df.Close.shift(1))['2020']
ret.name = 'stockRet'
tradeRet = (trade * ret)['2020']
tradeRet.name = 'tradeRet'
winRate = len(tradeRet[tradeRet>0]) / len(tradeRet[tradeRet != 0])