用Python语言绘制股市OBV指标效果

    我的新书《基于股票大数据分析的Python入门实战》于近日上架，在这篇博文向大家介绍我的新书：《基于股票大数据分析的Python入门实战》里，介绍了这本书的内容。这里将摘录出部分内容，用以推广本书，请大家多多支持。   

    《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：https://item.jd.com/69241653952.html。在这篇博文里，将摘录部分内容。

    

1  OBV指标的原理以及算法

    形象地讲，OBV指标是将成交量与股价的关系数字化，并根据股市的成交量变化情况来衡量股市的上涨或下跌支持力，以此来研判股价的走势。OBV指标的设计是基于如下的原理。

    第一，如果投资者对当前股价的看法越有分歧，那么成交量就越大，反之成交量就越小，所以可以用成交量来衡量多空双方的力量。

    第二，股价在上升时，尤其是在上升初期，必须要较大的成交量相配合，相反股价在下跌时，无需耗费很大的动量，因此成交量未必放大，甚至下跌阶段成交量会有萎缩趋势。

    第三，受关注的股票在一段时间内成交量和股价波动会很大，相反冷门股票成交量和价格波动会比较小。

    根据上述原则，OBV的算法如下，主要是以日为单位累积成交量。

    当日OBV值 = 本日值 ＋ 前日OBV值

    如果本日收盘价高于前一日的收盘价，本日的值为正，反之为负，如果本日收盘价和前一日的收盘价相同，则本日值不参与计算，按照这种规则累积计算成交量。成交量可以选择多种计算单位，OBV用到的是成交手数。参考表12-3，通过范例来了解一下OBV的算法。

表  OBV指标算法的实例表

日期	收盘价（元）	成交量（手）	当日OBV累计值
第1天	10	10000	不计算
第2天	10.2	+11000	+11000
第3天	10.3	+12000	+23000
第4天	10.2	-10000	+13000
第5天	10.1	-5000	+8000

    其中，第一天不计算，第2天的收盘价高于第1天，所以当日OBV是当日成交量（为正数）。第3天收盘价也高于第2天，所以该日的OBV是第2天的值（+11000）加上该日成交量（+12000）。

    第4天股票下跌，所以当日的OBV累计值是前日的23000减去当日的成交量，结果是+13000，同理第5天也是下跌，当日的OBV是前日值13000减去当日成交量5000，结果是8000。

    之后的OBV值按同理计算，将每日算得的OBV值作为纵坐标，交易的日期作为横坐标，将这些点连接起来就是OBV指标线了。

2 绘制K线、均线和OBV指标图的整合效果图

    在绘制K线、均线与OBV指标图时，是从csv文件（其实源于网站爬取的股票交易数据）中的Volume字段获得的成交量，它的单位是“股数”，而计算OBV时成交量的单位是“手”，两者的对应关系是1手等于100股。

    在DrawKwithOBV.py范例程序中，将绘制整合的效果图，该范例程序存放在MyDjangoDBProj项目中，与DBUtil.py处于同一目录。为了突出OBV算法，范例程序不导入数据库相关的操作，也不输出日志。

 

1    # !/usr/bin/env python

2    # coding=utf-8

3    import pandas as pd

4    import matplotlib.pyplot as plt

5    from mpl_finance import candlestick2_ochl

6    # 计算OBV的方法

7    def calOBV(df):

8        # 把成交量换算成万手

9        df['VolByHand'] = df['Volume']/1000000

10       # 创建OBV列，先全填充为0

11       df['OBV'] =0

12       cnt=1 # 索引从1开始，即从第2天算起

13       while cnt<=len(df)-1:

14           if(df.iloc[cnt]['Close']>df.iloc[cnt-1]['Close']):

15               df.ix[cnt,'OBV'] = df.ix[cnt-1,'OBV'] + df.ix[cnt,'VolByHand']

16           if(df.iloc[cnt]['Close'] 
  
 
  
    在第7行的calOBV方法中封装了计算OBV指标的程序逻辑。具体执行步骤是，在第9行中为df对象新增VolByHand列，把成交量转换成“万手”，虽然OBV的计算单位是手，但以此绘制出来的指标图上y轴的OBV数值还是过大，所以这里在除以100的基础上再除以10000，转换成“万手”。
 
  
    随后在第11行新增OBV列，该列的初始值是0。之后在第13行的while循环中，从第2天开始依次遍历df对象，根据OBV的计算规则给每天的OBV列赋值，比如通过第14行的if语句处理当天收盘价上涨的情况，从第15行的程序代码中可以看到，在上涨情况下，当日的OBV值是前日OBV值加上当日的成交量，在第17行中处理了当日下跌的情况，当日的OBV值是前日值减去当日的成交量。
 
  
 
   
 
    
 
     
 
1
 
2
 
3
 
4
 
5
 
6
 
7
 
8
 
9
 
 
     
 
20   filename='D:\\stockData\ch12\\6004602019-01-012019-05-31.csv'
 
 
 
21   df = pd.read_csv(filename,encoding='gbk')
 
 
 
22   # 调用方法计算OBV
 
 
 
23   df = calOBV(df)
 
 
 
24   # print(df)       # 可以去除这段注释以查看结果
 
 
    
 
   
 
  
 
  
　在第21行从指定的csv文件中读到600460（士兰微）从20190101到20190531的交易数据，并在第23行调用calOBV方法计算OBV值，在该方法的返回结果存放到df对象中，其中OBV值包含在df['OBV']这一列种。如果要检验计算的OBV结果，可以去掉第24行的注释，使得打印语句生效。
 
  
 
   
 
    
 
     
 
1
 
2
 
3
 
4
 
5
 
6
 
7
 
8
 
9
 
10
 
11
 
12
 
13
 
14
 
15
 
16
 
17
 
18
 
19
 
20
 
21
 
22
 
23
 
24
 
25
 
26
 
27
 
28
 
29
 
30
 
31
 
32
 
33
 
34
 
35
 
36
 
37
 
38
 
39
 
40
 
41
 
42
 
43
 
44
 
45
 
46
 
47
 
48
 
49
 
50
 
51
 
52
 
53
 
54
 
55
 
56
 
57
 
58
 
59
 
 
     
 
25   figure = plt.figure()
 
 
 
26   # 创建子图
 
 
 
27   (axPrice, axOBV) = figure.subplots(2, sharex=True)
 
 
 
28   # 调用方法，在axPrice子图中绘制K线图
 
 
 
29   candlestick2_ochl(ax = axPrice,
 
 
 
30                 opens=df["Open"].values, closes=df["Close"].values,
 
 
 
31                 highs=df["High"].values, lows=df["Low"].values,
 
 
 
32                 width=0.75, colorup='red', colordown='green')
 
 
 
33   axPrice.set_title("K线图和均线图") # 设置子图标题
 
 
 
34   df['Close'].rolling(window=3).mean().plot(ax=axPrice,color="red",label='3日均线')
 
 
 
35   df['Close'].rolling(window=5).mean().plot(ax=axPrice,color="blue",label='5日均线')
 
 
 
36   df['Close'].rolling(window=10).mean().plot(ax=axPrice,color="green",label='10日均线')
 
 
 
37   axPrice.legend(loc='best')              # 绘制图例
 
 
 
38   axPrice.set_ylabel("价格（单位：元）")
 
 
 
39   axPrice.grid(linestyle='-.')     # 带网格线
 
 
 
40   # 在axOBV子图中绘制OBV图形
 
 
 
41   df['OBV'].plot(ax=axOBV,color="blue",label='OBV')
 
 
 
42   plt.legend(loc='best')           # 绘制图例
 
 
 
43   plt.rcParams['font.sans-serif']=['SimHei']
 
 
 
44   # 在OBV子图上加上负值效果
 
 
 
45   plt.rcParams['axes.unicode_minus'] = False
 
 
 
46   axOBV.set_ylabel("单位：万手")
 
 
 
47   axOBV.set_title("OBV指标图")     # 设置子图的标题
 
 
 
48   axOBV.grid(linestyle='-.')       # 带网格线
 
 
 
49   # 设置x轴坐标的标签和旋转角度
 
 
 
50   major_index=df.index[df.index%5==0]
 
 
 
51   major_xtics=df['Date'][df.index%5==0]
 
 
 
52   plt.xticks(major_index,major_xtics)
 
 
 
53   plt.setp(plt.gca().get_xticklabels(), rotation=30)
 
 
 
54   plt.show()
 
 
    
 
   
 
  
 
  
    在第27行的程序语句设置了两个子图，其中axPrice用于绘制K线和均线，而axOBV则用于绘制OBV指标图。
 
  
    从第29行到第39行的程序语句用于绘制K线以及三条均线，这部分代码在之前几章中的范例程序中都讲过，所以不再重复说明。在第41行中通过调用df['OBV'].plot方法绘制OBV指标图。
 
  
    在绘制OBV子图时请注意两个细节：
 
  
    第一，在第46行中，在axOBV子图内通过调用set_ylabel方法设置了OBV子图的y坐标标签为“万手”；
 
  
    第二，通过第45行的程序代码，让OBV子图上的y坐标数字有正有负，如果去掉这行语句，OBV子图上y坐标的数字均为正数。
 
  
运行这个范例程序，即可看到如图所示的执行结果。
 
  
 
  
 
 
  
 
 
  
    本书的其它内容，大家可以参考如下的博文，
 
  
程序员如何高效学Python，如何高效用Python挣钱    
 
  
用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略   
 
  
向大家介绍我的新书：《基于股票大数据分析的Python入门实战》
 
  
通过机器学习的线性回归算法预测股票走势（用Python实现）
 
  
在我的新书里，尝试着用股票案例讲述Python爬虫大数据可视化等知识  
 
  
以股票RSI指标为例，学习Python发送邮件功能（含RSI指标确定卖点策略）   
 
  
以预测股票涨跌案例入门基于SVM的机器学习   
 
  
用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码） 
 
  
用python的matplotlib和numpy库绘制股票K线均线的整合效果（含从网络接口爬取数据和验证交易策略代码）