如果操作过量，即使对市场判断正确，仍会一败涂地。——索罗斯
引言
成交量是股票市场的温度计，许多股票的疯狂上涨并非基本面发生了实质性的变化，而是短期筹码和资金供求关系造成的。量价关系分析法是一种将价格走势与成交量变化相结合的研究方法，正所谓，大军未动，粮草先行。成交量一直被看为是股票市场的“粮草”，成交量的变化是股价变化的前兆。因此，成交量是分析判断市场行情,并作出投资决策时的重要依据,也是各种技术分析指标应用时不可或缺的参照。
本文延续“手把手教你使用Python的TA-Lib”系列，着重介绍交易量指标（Volume Indicators）及其运用。【手把手教你】股市技术分析利器之TA-Lib（一）主要探讨了重叠指标的相关原理与Python实现，【手把手教你】股市技术分析利器之TA-Lib（二）则着重介绍了TA-Lib中强大的数学运算、数学变换、统计函数、价格变换、周期指标和波动率指标函数及其应用实例。TA-Lib的安装使用可查看以前推文。
01 A/D Line 累积派发线
Chaikin Accumulation/Distribution Line （AD），是Marc Chaikin提出的用来平衡交易量的指标，以当日收盘价、最高价和最低价来估算一段时间内该股票累积的资金流量, 用来确定潜在的趋势以及预测趋势反转。
函数名：AD
调用格式：ta.AD(high,low,close,volume)
计算方法： AD＝前日AD值＋（多空对比*成交量）
多空对比=((收盘价－最低价)－(最高价－收盘价))/(最高价－收盘价)；注意：当最高价等于最低价时，多空对比 = （收盘价 / 昨收盘） - 1
运用要点：
AD测量资金流向，AD向上表明多方占优势，反之表明空方占优势；
AD与价格的背离可视为买卖信号：底背离考虑买入，顶背离考虑卖出；
AD指标无需设置参数，但在应用时，可结合均线、MACD、KDJ等指标进行分析；
AD指标忽略了缺口的影响，有时无法真实反映价格与成交量的关系。
02 A/D Oscillator 震荡指标
震荡指标是计算长短周期的AD差，将资金流动情况与价格行为相对比，用来研判市场中资金流入和流出的情况。
函数名：ADOSC
调用格式：ta. ADOSC(high,low,close,volume,
fastperiod=3,slowperiod=10)
计算方法：fastperiod AD - slowperiod AD，AD的计算同上。
运用要点：
交易信号是背离：看涨背离做多，看跌背离做空；
股价与90天移动平均结合，与其他指标结合；
由正变负卖出，由负变正买进。
03 OBV - 能量潮
全称为 On Balance Volume, 由 Joe Granville 提出，通过统计成交量变动的趋势推测股价趋势。
函数名：OBV
调用格式：ta.OBV(close, volume)
计算公式：以某日为基期，逐日累计每日股票总成交量，若隔日指数或股票上涨，则基期OBV加上本日成交量为本日OBV。隔日指数或股票下跌， 则基期OBV减去本日成交量为本日OBV。
研判：
以“N”字型为波动单位，一浪高于一浪称“上升潮”，下跌称“跌潮”；
上升潮买进，跌潮卖出；
须配合K线图、股价走势和其他指标。
04 应用实例代码
#先引入后面可能用到的包（package）
importpandasaspd
importnumpyasnp
importmatplotlib.pyplotasplt
%matplotlib inline
#正常显示画图时出现的中文和负号
frompylabimportmpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#引入TA-Lib库
importtalibasta
#获取交易数据函数，这里使用tushare的老接口，比较方便
importtushareasts
defget_data(code,start='2018-11-01',end='2019-03-26'):
df=ts.get_k_data(code,start,end)
df.index=pd.to_datetime(df.date)
df=df.sort_index()
returndf[['open','close','high','low','volume']]
#获取当前交易是所有股票代码和名字
basics=ts.get_stock_basics()
print(len(basics))
#basics.head()
3602
index={'上证综指':'sh','深证成指':'sz','沪深300':'hs300',
'创业板指':'cyb','上证50':'sz50','中小板指':'zxb'}
#将当前交易的股票和常用指数代码和名称写入字典，方便调用
stock=dict(zip(basics.name,basics.index))
stocks=dict(stock,**index)
计算交易量指标并可视化
#使用matplotlib画k线图以及
importmatplotlib.patchesaspatches
defplot_line(name):
code=stocks[name]
data=get_data(code)
fig = plt.figure(figsize=(12,5))
ax1 = fig.add_axes([0,1,1,1])
ax1.set_title(name+"K线图与交易量指标", fontsize=15)
ax1.set_xlim(-1, len(data)+1)
foriinrange(len(data)):
close_price,open_price = data.iloc[i,1], data.iloc[i,0]
high_price, low_price = data.iloc[i,2], data.iloc[i,3]
trade_date = data.index[i]
ifclose_price > open_price:#画阳线
ax1.add_patch(patches.Rectangle((i-0.2, open_price),0.4, close_price-open_price, fill=False, color='r'))
ax1.plot([i, i], [low_price, open_price],'r')
ax1.plot([i, i], [close_price, high_price],'r')
else:#画阴线
ax1.add_patch(patches.Rectangle((i-0.2, open_price),0.4, close_price-open_price, color='g'))
ax1.plot([i, i], [low_price, high_price], color='g')
ax1.set_title("Price", fontsize=15, loc='left', color='r')
#设置x轴标签
ax1.set_xticks(range(0,len(data),5))#位置
ax1.set_xticklabels([(data.index[i]).strftime('%Y-%m-%d')foriinax1.get_xticks()] , rotation=20)
high, low, close, volume = np.array(data['high']),np.array(data['low']),np.array(data['close']),np.array(data['volume'])
#计算AD线
AD = ta.AD(high, low, close, volume)
#计算ADOSC线
ADOSC = ta.ADOSC(high,low, close, volume, fastperiod=3, slowperiod=10)
#计算OBC线
OBV = ta.OBV(close, volume)
ax2 = ax1.twinx()
ax2.plot(AD, color='r', linewidth=2, label='AD')
ax2.plot(ADOSC, color='b', linewidth=2, label='ADOSC')
ax2.plot(OBV, color='y', linewidth=2, label='OBV')
ax2.legend(loc=0)
plot_line('东方通信')
plot_line('上证综指')
plot_line('创业板指')
plot_line('中国平安')
最后，在万矿上使用AD线进行了历史回测，作为演示例子，这里只对东方通信和中国平安股票进行了回测，期间为2018年1月1日至2019年3月25日。从AD线单一指标回测来看，在市场反弹或形成向上趋势时跑赢市场，但是最大回撤也比较大，如东方通信达到43.2%，当然这与回测期间和标的选择有很大的关系。这里只是作为演示例子，深入研究还得待结合其他指标。
东方通信AD线回测结果：
中国平安AD线回测结果：
结语
价量分析系统属于技术分析，而技术分析是股票分析的温度计。温度计无法预测未来的准确温度，更不可能决定温度。因此，技术分析只是告诉你发生了什么，但不能预测未来会发生什么。不要过于依赖技术指标提供的信号，市场总是充满突发性的事件，交易者情绪波动较大，因此股价并不是总是沿着规律运行。在使用量价关系时，不仅要分析量价关系中量的变化对价的影响，还应该分析量变化的原因，更应该知道这些变化之后交易者的情绪或行为，只有这样才能真正体会量价关系的精髓，提高自己预判的准确率。
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球，可免费获取30多g的Python量化投资视频资料、公众号文章完整源码、量化投资前沿分析框架，向博提问、结识圈内朋友等。
