量化交易可视化（9）-热力图

热力图的含义

热力图是一种用颜色编码数据密度的二维图表。它的含义是通过不同颜色的渐变来显示数据的相对密度或值的大小。
热力图通常用于可视化矩阵或二维表格数据，其中每个单元格的值被映射到一个颜色，从而形成一个色阶。较小的值通常用较浅的颜色表示，较大的值用较深的颜色表示，以此来显示数据的相对大小。

热力图的绘制方法

在Matplotlib中，可以使用imshow()函数来绘制热力图

参数说明：

X：要绘制的数据，可以是二维数组或类似数组的对象。

cmap：颜色映射，用于指定热力图的颜色主题，默认为"viridis"。

aspect：热力图的宽高比，默认为"auto"。

interpolation：插值方法，用于确定如何在像素之间进行插值，默认为"nearest"。

norm：用于对数据进行归一化的归一化器，默认为None。

vmin、vmax：用于设置颜色映射的最小值和最大值，用于控制颜色的范围。

alpha：透明度，范围在0到1之间，默认为1。

origin：确定热力图的原点位置，默认为"upper"。

extent：用于指定热力图的数据范围，以[xmin, xmax, ymin, ymax]的形式指定。

ax：要绘制热力图的坐标轴对象，默认为当前活动的坐标轴。

热力图在量化交易中的应用

热力图在量化交易中的应用包括：

1. 相关性分析：热力图可以用于分析不同证券之间的相关性。通过将不同证券的收益率或价格变动数据构成矩阵，可以使用热力图来可视化不同证券之间的相关性。这有助于量化交易者识别相关证券之间的关联关系，以便进行投资组合优化和风险管理。
2. 聚类分析：热力图可以帮助量化交易者对证券进行聚类分析。通过将不同证券的特征（如基本面数据、技术指标等）构成矩阵，可以使用热力图来展示不同证券之间的相似性。这有助于量化交易者发现具有相似特征的证券，以便构建投资组合或制定交易策略。
3. 时序分析：热力图可以用于分析不同时间段内的证券表现。通过将不同时间段的收益率或价格变动数据构成矩阵，可以使用热力图来展示不同时间段内证券的相对强弱。这有助于量化交易者发现市场的热点板块或证券，以便进行时机把握和交易决策。
4. 交易信号生成：热力图可以用于生成交易信号。通过计算不同证券之间的相关性或相对强弱，可以使用热力图来识别交易机会。例如，当两个高度相关的证券之间的价格差异达到一定的阈值时，可以生成交易信号执行配对交易策略。

总的来说，热力图在量化交易中可以帮助量化交易者发现市场的相关性、相似性和相对强弱，从而辅助投资决策和交易策略的制定。它提供了一种直观且可视化的方式来分析和理解市场数据。

热力图在量化交易中的应用案例

在下面这个案例中，我们将展示银行和IT设备制造这两个版块的股票在2023年1季度中每周的交易量情况。如果交易量越大，则热力图越鲜明，说明版块交易活动频繁，投资者的关注度上升，导致交易机会出现的概率增加；反之亦然。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
# 设置为默认字体
plt.rcParams['font.family'] = 'SimHei'
# 显示负数
plt.rcParams['axes.unicode_minus'] = False

# 导入数据
df = pd.read_excel("2023年一季度A股日线行情.xlsx")

# 将日期列转化为日期格式
df["trade_date"] = df["trade_date"].astype("str").apply(lambda x:x[:4]+"-"+x[4:6]+"-"+x[6:])
# 将日期列转换为日期类型，并设置为索引列
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)

# 筛选2023年1-3月的行情数据
start_date = '2023-01-03'
end_date = '2023-03-31'
df = df.loc[start_date:end_date]

# 创建股票池列表-深圳交易所银行类版块股票池,共9支
stock_list1 = ['000001.SZ','001227.SZ','002142.SZ','002807.SZ','002839.SZ',
               '002936.SZ','002948.SZ','002958.SZ','002966.SZ']
# 创建股票池列表-深圳交易所IT设备制造类版块股票池,共9支
stock_list2 = ['000066.SZ','000977.SZ','002180.SZ','002197.SZ','002236.SZ',
               '002351.SZ','002415.SZ','002528.SZ','002866.SZ']

# 从DataFrame中将股票池中的交易数据筛选出来
stock_1 = df[df['ts_code'].isin(stock_list1)]
stock_2 = df[df['ts_code'].isin(stock_list2)]

# 相比交易量，交易额更能反映出某个版块当前的交易热度
# 按周统计银行类版块的每只股票每周的交易额
stock1_amout_weekly = []
for i in range(len(stock_list1)):
    df_temp = stock_1[stock_1['ts_code']==stock_list1[i]]
    temp_a = df_temp.resample('W').sum()
    temp_b = temp_a['amount'].to_list()
    stock1_amout_weekly.append(temp_b)
# 同理
stock2_amout_weekly = []
for i in range(len(stock_list2)):
    df_temp = stock_2[stock_2['ts_code']==stock_list2[i]]
    temp_a = df_temp.resample('W').sum()
    temp_b = temp_a['amount'].to_list()
    stock2_amout_weekly.append(temp_b)

# 现在得到两个9*13的列表，行代表某银行或某车企，列代表每周的交易额总量

# 创建一个1x2的子图布局
fig, ax = plt.subplots(1, 2, figsize=(20, 20))

# 绘制热力图
im1 = ax[0].imshow(stock1_amout_weekly, cmap='hot')
# 设置图表标题和标签
ax[0].set_title('Stock Trading Amount Heatmap')
# 横坐标设置为周数，纵坐标为各银行
ax[0].set_xlabel("Weeks")
ax[0].set_ylabel("Banks")
# 添加颜色条
#cbar = ax[0].figure.colorbar(im1, ax=ax)
ax[0].figure.colorbar(im1, ax=ax[0],shrink =0.28)
# 同理
im2 = ax[1].imshow(stock2_amout_weekly, cmap='hot')
ax[1].set_xlabel("Weeks")
ax[1].set_ylabel("Banks")
ax[1].figure.colorbar(im2, ax=ax[1], shrink =0.28)
# 显示图表
plt.show()

最终效果图如下：

如图所示，左图是银行类股票的交易热力图，右图是IT设备制造类股票的交易热力图，相比而言，银行股中除了两只股票交易比较活跃之外，其余的股票交易热度不高；相比IT设备制造类股票，在1月份整体沉默之后，在2-3月，交易量明显上升，说明市场情绪逐渐高涨，此时此类个股容易出现涨停机会。