跳至主要內容

yange大约 8 分钟

案例1 股票技术画像：K线、成交量与 MACD 综合分析

前言

定义

生活场景

学校投资社团准备做一次“个股观察周报”。
老师希望同学们不要只说“这只股票最近涨了”或“最近跌了”，而是要用图形和指标把行情说清楚。

现在请你以 600300.SH 为研究对象，完成一份简单的技术画像报告，回答下面几个问题：

  • 最近 60 个交易日价格整体是上涨、下跌还是震荡？
  • 成交量有没有明显放大或缩小？
  • MACD 最近是否出现金叉或死叉？
  • 如果你要给同学做 1 分钟讲解，你会怎么概括这只股票近期状态？

实验目标

  1. 复习并掌握 个股 K 线图 的绘制方法
  2. 复习并掌握 成交量柱状图 的搭配观察方法
  3. 复习并掌握 MACD 的计算和绘图
  4. 学会从图形中提取“趋势、量能、信号”三个层面的信息
  5. 学会把代码结果整理成一段简洁的金融分析结论

实验数据

仍然使用 个股行情.csv，字段与 part12.md 保持一致。
本实验重点会用到下面这些列：

  • 代码
  • 日期
  • 开盘价(元)
  • 最高价(元)
  • 最低价(元)
  • 收盘价(元)
  • 成交量(股)

实验任务

  1. 读取 600300.SH 的历史行情数据
  2. 截取最近 60 个交易日，绘制 K 线图 + 成交量图
  3. 使用全部历史收盘价计算 EMA12、EMA26、DIF、DEA、MACD柱
  4. 绘制 MACD 图
  5. 找出最近 3 次金叉和最近 3 次死叉
  6. 用 100~150 字写出你的实验结论

完成要求

实验报告至少要包含：

  1. 一张 K 线 + 成交量 图
  2. 一张 MACD 图
  3. 一张“最近 3 次金叉 / 死叉日期”结果表
  4. 一段你自己的结论说明

实验过程（代码框架及说明）

先复制 part12.md 中“4.2 统一运行准备”的公共准备代码，再补齐下面的实验代码。

# 先复制 part12 中的公共准备代码：
# load_stock_data()、get_stock()、matplotlib/numpy/pandas 导入等

# =========================
# 第 1 步：读取 600300.SH 数据
# =========================
stock = get_stock("600300.SH")[
    ["日期", "开盘价(元)", "最高价(元)", "最低价(元)", "收盘价(元)", "成交量(股)"]
].dropna().copy()

# =========================
# 第 2 步：绘制最近 60 个交易日 K 线图
# =========================
recent = stock.tail(60).copy()

# TODO：
# 1. 参考 part12，把列名改成 Date / Open / High / Low / Close / Volume
# 2. 使用 mdates.date2num() 处理日期
# 3. 使用 for 循环逐日绘制 K 线实体和影线
# 4. 在下方画成交量柱状图
# 5. 设置标题、坐标轴名称和网格


# =========================
# 第 3 步：计算 MACD
# =========================
stock["EMA12"] = stock["收盘价(元)"].ewm(span=12, adjust=False).mean()
stock["EMA26"] = stock["收盘价(元)"].ewm(span=26, adjust=False).mean()
stock["DIF"] = stock["EMA12"] - stock["EMA26"]
stock["DEA"] = stock["DIF"].ewm(span=9, adjust=False).mean()
stock["MACD柱"] = 2 * (stock["DIF"] - stock["DEA"])


# =========================
# 第 4 步：识别金叉和死叉
# =========================
# 金叉：今天 DIF > DEA，昨天 DIF <= DEA
stock["金叉"] = (stock["DIF"] > stock["DEA"]) & (
    stock["DIF"].shift(1) <= stock["DEA"].shift(1)
)

# 死叉：今天 DIF < DEA，昨天 DIF >= DEA
stock["死叉"] = (stock["DIF"] < stock["DEA"]) & (
    stock["DIF"].shift(1) >= stock["DEA"].shift(1)
)

golden_cross = stock.loc[stock["金叉"], ["日期", "收盘价(元)", "DIF", "DEA"]].tail(3)
dead_cross = stock.loc[stock["死叉"], ["日期", "收盘价(元)", "DIF", "DEA"]].tail(3)

print("最近 3 次金叉：")
print(golden_cross)
print("\n最近 3 次死叉：")
print(dead_cross)


# =========================
# 第 5 步：绘制 MACD 图
# =========================
# TODO：
# 1. 使用 stock["日期"] 作为横轴
# 2. 画 DIF 折线
# 3. 画 DEA 折线
# 4. 画 MACD 柱状图
# 5. 正柱用红色，负柱用绿色


# =========================
# 第 6 步：写实验结论
# =========================
# 请根据图形与结果，自行写出 100~150 字实验结论

思考题

  1. 如果 K 线图显示上涨，但 MACD 柱在缩短，这说明了什么？
  2. 为什么只看金叉、死叉还不够，还要结合成交量一起看？
  3. 如果你把最近 60 个交易日改成最近 20 个交易日，图形解读会发生什么变化？

实验结论

自己写

案例2 市场波动结构与个股异常信号综合分析

前言

定义

生活场景

某位同学准备做一次“市场日报”分享，但老师要求他不能只盯着一只股票，而要同时回答下面 4 个层次的问题：

  1. 全市场 的涨跌幅分布是什么样的？
  2. 某只股票在 周一到周五 的上涨概率有没有差别？
  3. 某只股票历史上是否经常出现 跳空缺口？
  4. 如果按一段长期区间统计，哪些股票是历史上的 强势股？

现在请你继续使用同一个数据集，完成一份“市场统计 + 个股分析”的综合练习。

实验目标

  1. 掌握全市场 涨跌幅分布统计
  2. 掌握个股 星期效应统计
  3. 掌握个股 跳空缺口识别
  4. 掌握多股票 累计涨跌幅排名
  5. 学会把“市场整体特征”和“个股局部特征”结合起来分析

实验数据

仍然使用 个股行情.csv。
本实验重点会用到下面这些列：

  • 代码
  • 日期
  • 开盘价(元)
  • 最高价(元)
  • 最低价(元)
  • 收盘价(元)
  • 涨跌幅(%)

实验任务

  1. 对全市场绘制 涨跌幅分布图
  2. 对 600300.SH 统计周一到周五的 上涨 / 平盘 / 下跌 次数与 上涨占比
  3. 对 600339.SH 识别全部跳空交易日，并统计：
    • 向上跳空次数
    • 向下跳空次数
    • 平均缺口幅度
  4. 统计 2015-01-01 之前的股票 累计涨跌幅前 10 名
  5. 写出一段综合结论，说明“市场整体特征”和“个股特征”之间的差异

完成要求

实验报告至少要包含：

  1. 一张全市场涨跌幅分布图
  2. 一张 600300.SH 星期统计结果表
  3. 一张 600339.SH 跳空统计结果表
  4. 一张累计涨跌幅前 10 名表
  5. 一段 150~200 字综合分析结论

实验过程（代码框架及说明）

先复制 part12.md 中“4.2 统一运行准备”的公共准备代码，再补齐下面的实验代码。

# 先复制 part12 中的公共准备代码：
# load_stock_data()、get_stock()、matplotlib/numpy/pandas 导入等


# =========================
# 第 1 步：全市场涨跌幅分布统计
# =========================
data = load_stock_data().dropna(subset=["涨跌幅(%)"]).copy()

data["涨跌幅分组"] = data["涨跌幅(%)"].round(1)
dist = data["涨跌幅分组"].value_counts().sort_index()

print("样本均值：", round(data["涨跌幅(%)"].mean(), 3))
print("样本标准差：", round(data["涨跌幅(%)"].std(), 3))

# TODO：
# 1. 画出涨跌幅分布柱状图
# 2. 设置横轴范围，例如 -12 到 12
# 3. 给图添加标题、横轴名、纵轴名


# =========================
# 第 2 步：600300.SH 星期效应统计
# =========================
weekday_map = {0: "周一", 1: "周二", 2: "周三", 3: "周四", 4: "周五"}
weekday_order = ["周一", "周二", "周三", "周四", "周五"]

data["星期"] = data["日期"].dt.weekday.map(weekday_map)
data = data[data["星期"].notna()].copy()

data["涨跌标签"] = np.select(
    [data["涨跌幅(%)"] > 0, data["涨跌幅(%)"] < 0],
    ["上涨", "下跌"],
    default="平盘",
)

stat = (
    data.groupby(["代码", "星期", "涨跌标签"])
    .size()
    .reset_index(name="天数")
)

target_code = "600300.SH"
table = (
    stat[stat["代码"] == target_code]
    .pivot(index="星期", columns="涨跌标签", values="天数")
    .reindex(weekday_order)
    .fillna(0)
    .astype(int)
)

table = table.reindex(columns=["上涨", "平盘", "下跌"], fill_value=0)
table["总天数"] = table.sum(axis=1)
table["上涨占比"] = (table["上涨"] / table["总天数"]).round(3)

print("600300.SH 星期效应统计：")
print(table)


# =========================
# 第 3 步：600339.SH 跳空缺口统计
# =========================
stock_gap = get_stock("600339.SH")[
    ["日期", "开盘价(元)", "最高价(元)", "最低价(元)"]
].dropna().copy()

stock_gap["昨日最高价"] = stock_gap["最高价(元)"].shift(1)
stock_gap["昨日最低价"] = stock_gap["最低价(元)"].shift(1)

gap_up = stock_gap["开盘价(元)"] > stock_gap["昨日最高价"]
gap_down = stock_gap["开盘价(元)"] < stock_gap["昨日最低价"]

stock_gap["缺口方向"] = np.select(
    [gap_up, gap_down],
    ["向上跳空", "向下跳空"],
    default="无",
)

stock_gap["缺口幅度(%)"] = np.select(
    [gap_up, gap_down],
    [
        (stock_gap["开盘价(元)"] / stock_gap["昨日最高价"] - 1) * 100,
        (stock_gap["开盘价(元)"] / stock_gap["昨日最低价"] - 1) * 100,
    ],
    default=np.nan,
)

gaps = stock_gap[stock_gap["缺口方向"] != "无"].copy()

gap_summary = gaps.groupby("缺口方向").agg(
    跳空次数=("缺口方向", "size"),
    平均缺口幅度=("缺口幅度(%)", "mean"),
)

print("600339.SH 跳空统计：")
print(gap_summary.round(3))


# =========================
# 第 4 步：累计涨跌幅前 10 名
# =========================
end_date = pd.Timestamp("2015-01-01")
sample = data[data["日期"] < end_date].copy()
sample["单日净值"] = 1 + sample["涨跌幅(%)"] / 100
sample = sample[sample["单日净值"] > 0].copy()

ranking = (
    sample.groupby("代码")
    .agg(交易天数=("单日净值", "size"), 区间累计净值=("单日净值", "prod"))
    .sort_values("区间累计净值", ascending=False)
)

ranking["区间累计涨跌幅(%)"] = (ranking["区间累计净值"] - 1) * 100

print("累计涨跌幅前 10 名：")
print(ranking[["交易天数", "区间累计涨跌幅(%)"]].head(10).round(2))


# =========================
# 第 5 步：写综合分析结论
# =========================
# 请根据上面 4 部分结果，自行写出 150~200 字综合结论

思考题

  1. 为什么全市场涨跌幅分布往往是“中间高、两边低”？
  2. 如果 600300.SH 的某一天上涨占比最高，能不能直接说明“以后这一天更适合买入”？
  3. 向上跳空和向下跳空，哪个更值得结合 K 线继续观察？为什么？
  4. 为什么长期累计涨跌幅排名要用“净值连乘”，而不是直接把每天涨跌幅相加？

实验结论

自己写

知识最好的留存率(90%)是教授他人
Copyright © 2026 yange