广州学做网站,如何在网站中做公示信息,网站建设后台管理怎么管理,腾讯官网登录入口Python量化交易实战#xff1a;用Matplotlib热力图分析股票板块热度#xff08;附完整代码#xff09; 最近和几位做量化研究的朋友聊天#xff0c;发现一个挺有意思的现象#xff1a;大家手里都有一堆数据#xff0c;但真正能快速“看”出市场情绪和资金流向的工具却不多…Python量化交易实战用Matplotlib热力图分析股票板块热度附完整代码最近和几位做量化研究的朋友聊天发现一个挺有意思的现象大家手里都有一堆数据但真正能快速“看”出市场情绪和资金流向的工具却不多。很多人还在用传统的折线图、柱状图对比个股面对几十上百只股票组成的板块很难一眼抓住重点。这让我想起了之前一个项目里用到的热力图——它不是什么新鲜玩意儿但在处理高维度的板块数据时那种直观的“温度感”确实能带来不少启发。简单来说热力图就是一种用颜色深浅来代表数值大小的可视化方法。在量化交易里你可以用它来观察一个板块里所有股票的交易活跃度对比哪只股票是“热点”哪只还在“冷宫”颜色一目了然。这比挨个翻看K线图要高效得多尤其适合需要快速扫描市场、捕捉轮动机会的短线或波段策略。这篇文章我就从一个实践者的角度带你一步步用Python和Matplotlib把冰冷的交易数据变成一幅有温度、能说话的热力图。我们会从最基础的数据抓取和清洗开始讲到如何用imshow()函数定制专属的热力图最后再深入聊聊怎么从这些斑斓的色块里解读出真正的市场信号和交易机会。无论你是刚开始接触量化编程还是想为你的分析工具箱添件新武器相信都能找到实用的收获。1. 数据准备从原始行情到分析矩阵任何量化分析都始于数据。对于板块热力图分析我们的目标是将一段时间内某个板块所有成分股的某项指标如成交额、成交量、涨跌幅整理成一个二维矩阵。这个矩阵的行代表不同的股票列代表不同的时间单位如日、周矩阵中的每个值就是“股票i在时间t”的指标数值。1.1 获取与清洗行情数据通常我们可以从本地数据库、CSV文件或在线API获取历史行情数据。这里假设我们已经有了一个包含A股日线行情的数据文件例如stock_daily_data.csv其字段可能包括ts_code: 股票代码trade_date: 交易日期amount: 成交额元vol: 成交量手我们的第一步是读取并清洗数据确保日期格式正确并筛选出目标时间段和股票池。import pandas as pd import numpy as np # 读取数据 df pd.read_csv(stock_daily_data.csv) # 确保日期列为datetime类型并设置为索引便于后续重采样 df[trade_date] pd.to_datetime(df[trade_date]) df.set_index(trade_date, inplaceTrue) # 假设我们分析2023年第一季度 start_date 2023-01-01 end_date 2023-03-31 df_q1 df.loc[start_date:end_date].copy() # 定义我们关注的板块股票池例如“消费电子”板块 consumer_electronics_pool [ 002475.SZ, # 立讯精密 002241.SZ, # 歌尔股份 002456.SZ, # 欧菲光 300433.SZ, # 蓝思科技 002600.SZ, # 领益智造 # ... 可以继续添加其他成分股 ] # 从总数据中筛选出目标股票池的数据 sector_df df_q1[df_q1[ts_code].isin(consumer_electronics_pool)]提示选择成交额amount而非成交量vol作为热度指标通常更合理因为成交额直接反映了流入该股票的资金量级更能体现市场的关注度和交易活跃度。1.2 构建时间-股票分析矩阵热力图需要一个二维数组作为输入。我们需要将数据转换为“股票×时间”的矩阵。一个常见的做法是按周进行聚合观察每周的资金热度变化。# 创建一个空的DataFrame索引为股票代码列为一季度各周的起始日期 # 首先获取一季度所有的周一日期作为每周的代表 weeks pd.date_range(startstart_date, endend_date, freqW-MON) # 如果起始日不是周一上述范围可能不包含第一天我们可以用重采样方式更稳妥 # 使用pandas的resample方法为每只股票计算每周的成交额总和 weekly_amount_matrix [] for stock in consumer_electronics_pool: stock_data sector_df[sector_df[ts_code] stock] # 按‘W’周重采样计算每周成交额总和使用‘W-MON’表示以周一为每周结束 weekly_amount stock_data[amount].resample(W-MON).sum() weekly_amount_matrix.append(weekly_amount.values) # 将值存入列表 # 此时weekly_amount_matrix是一个列表里面每个元素是一个数组代表一只股票各周的成交额 # 我们需要将其转换为二维NumPy数组 heatmap_data np.array(weekly_amount_matrix) # 检查数据形状 (股票数量, 周数) print(f热力图数据矩阵形状: {heatmap_data.shape})如果各只股票在某些周可能存在数据缺失例如停牌会导致数组长度不一致。我们需要进行对齐处理。一个更稳健的方法是使用pivot_table# 重置索引以便使用pivot_table sector_reset sector_df.reset_index() # 创建‘week_of_year’列用于分组 sector_reset[week_of_year] sector_reset[trade_date].dt.isocalendar().week # 使用数据透视表行是股票列是周数值是成交额总和 pivot_table pd.pivot_table(sector_reset, valuesamount, indexts_code, columnsweek_of_year, aggfuncsum, fill_value0) # 缺失值填充为0 heatmap_data pivot_table.values stock_codes pivot_table.index.tolist() week_numbers pivot_table.columns.tolist() print(pivot_table.head()) # 查看透视表前几行通过以上步骤我们得到了一个干净、规整的二维数组heatmap_data它就是热力图绘制的核心燃料。2. Matplotlib热力图绘制核心技巧拿到数据矩阵后用Matplotlib绘制基础热力图只需一行代码。但要让图表传达清晰、专业的信息需要对imshow()函数的参数和图表装饰有深入的理解。2.1 基础绘制与关键参数解析plt.imshow()是绘制类网格数据如图像、矩阵的主要函数。将其用于数值矩阵即可生成热力图。import matplotlib.pyplot as plt fig, ax plt.subplots(figsize(10, 8)) # 最基础的热力图 im ax.imshow(heatmap_data, cmapYlOrRd) # 使用黄-橙-红色系 # 添加颜色条 plt.colorbar(im, axax, label成交额 (元)) plt.title(消费电子板块2023年Q1每周成交额热力图) plt.show()这已经是一张可用的热力图但X轴和Y轴显示的是数组索引0,1,2...我们需要将其替换为实际的股票代码和周数。fig, ax plt.subplots(figsize(12, 10)) # 绘制热力图 im ax.imshow(heatmap_data, cmapYlOrRd, aspectauto) # aspectauto让图形填充整个坐标轴 # 设置坐标轴刻度标签 ax.set_xticks(np.arange(len(week_numbers))) ax.set_yticks(np.arange(len(stock_codes))) ax.set_xticklabels(week_numbers) ax.set_yticklabels(stock_codes) # 旋转X轴标签防止重叠 plt.setp(ax.get_xticklabels(), rotation45, haright, rotation_modeanchor) # 添加标签和标题 ax.set_xlabel(周数 (2023年)) ax.set_ylabel(股票代码) ax.set_title(消费电子板块成交额热度分析 (2023年第一季度), pad20) # 添加颜色条并设置标签 cbar ax.figure.colorbar(im, axax) cbar.ax.set_ylabel(成交额 (元), rotation-90, vabottom) plt.tight_layout() plt.show()2.2 颜色映射cmap的选择与归一化Norm颜色是热力图的灵魂。不同的颜色映射传达不同的心理暗示。顺序色系 (Sequential): 适用于表示从低到高的数据如viridis,plasma,summer,YlOrRd黄-橙-红。这是最常用的类型。发散色系 (Diverging): 适用于强调中间值偏离两端的数据如RdBu,PiYG,coolwarm。常用于相关性矩阵值域在-1到1之间。定性色系 (Qualitative): 用于分类数据不适用于热力图。在量化中我们通常使用顺序色系。可以通过vmin和vmax参数手动设定颜色映射的数据范围这能使得不同热力图之间的颜色对比保持一致。# 假设我们想突出显示成交额在1亿到10亿之间的变化 vmin_value 1e8 # 1亿元 vmax_value 1e9 # 10亿元 fig, ax plt.subplots(figsize(10, 8)) im ax.imshow(heatmap_data, cmaphot, aspectauto, vminvmin_value, vmaxvmax_value, # 固定颜色标尺 interpolationnearest) # 最近邻插值保持方块感 ax.figure.colorbar(im, axax)有时数据分布可能极度偏斜少数极大值。这时使用对数归一化(LogNorm)能让颜色分布更均匀更好地展示大部分数据的变化。from matplotlib.colors import LogNorm fig, ax plt.subplots(figsize(10, 8)) # 使用对数归一化特别适合成交额、成交量这类通常呈幂律分布的数据 im ax.imshow(heatmap_data, cmapYlOrRd, aspectauto, normLogNorm(vminheatmap_data.min()1, vmaxheatmap_data.max())) # 1防止对0取对数 ax.figure.colorbar(im, axax)2.3 增强可读性添加文本与网格对于尺寸不大的矩阵我们可以在每个色块上直接标注数值让图表信息量倍增。fig, ax plt.subplots(figsize(12, 10)) im ax.imshow(heatmap_data, cmapBlues, aspectauto) # 在每个单元格内添加文本 for i in range(len(stock_codes)): for j in range(len(week_numbers)): # 将成交额转换为“亿”单位显示更易读 text_value f{heatmap_data[i, j] / 1e8:.1f} # 根据背景颜色深浅智能选择文字颜色深色背景用白字浅色用黑字 text_color white if heatmap_data[i, j] np.median(heatmap_data) else black ax.text(j, i, text_value, hacenter, vacenter, colortext_color, fontsize9) # ... (设置刻度、标签等代码与之前相同)此外添加细线网格可以更好地分隔各个数据单元# 设置主要刻度在单元格中心 ax.set_xticks(np.arange(len(week_numbers)) - 0.5, minorTrue) ax.set_yticks(np.arange(len(stock_codes)) - 0.5, minorTrue) # 启用次要刻度网格 ax.grid(whichminor, colorgray, linestyle-, linewidth0.5) ax.tick_params(whichminor, size0) # 隐藏次要刻度线3. 多板块对比分析与实战案例单一板块的热力图能揭示内部结构而将多个板块的热力图并排对比则能洞察市场资金的轮动与偏好。这是热力图在量化策略中更具威力的应用。3.1 构建多子图对比框架我们以“消费电子”、“新能源车”、“医疗器械”三个板块为例对比它们在2023年一季度的资金热度变化。# 假设我们已经有了三个板块的数据矩阵: data_consumer_electronics, data_ev, data_medical # 以及对应的股票代码列表和周数列表 fig, axes plt.subplots(1, 3, figsize(24, 8), shareyTrue) # sharey共享Y轴刻度 sector_data_list [data_consumer_electronics, data_ev, data_medical] sector_names [消费电子, 新能源车, 医疗器械] # 为了公平对比使用统一的颜色映射范围取三个板块数据的全局最大最小值 vmin_global min([data.min() for data in sector_data_list]) vmax_global max([data.max() for data in sector_data_list]) for idx, (ax, data, name) in enumerate(zip(axes, sector_data_list, sector_names)): im ax.imshow(data, cmapRdPu, aspectauto, vminvmin_global, vmaxvmax_global) ax.set_title(f{name}板块成交额热力图, fontsize14) ax.set_xlabel(周数) # 只在第一个子图设置Y轴标签 if idx 0: ax.set_ylabel(成分股) ax.set_yticks(np.arange(len(stock_codes_ce))) # 假设消费电子股票列表作为代表 ax.set_yticklabels(stock_codes_ce) else: ax.set_yticks([]) # 其他子图隐藏Y轴刻度 # 设置X轴刻度 ax.set_xticks(np.arange(len(week_numbers))) ax.set_xticklabels(week_numbers, rotation45) # 为每个子图添加独立颜色条 cbar ax.figure.colorbar(im, axax, shrink0.8) cbar.ax.set_ylabel(成交额, fontsize10) plt.suptitle(2023年Q1三大板块资金热度对比, fontsize16, y1.02) plt.tight_layout() plt.show()3.2 案例解读从热力图到市场洞察假设我们得到了上面那幅三大板块的对比热力图该如何解读识别板块内部龙头与“拖油瓶”在同一板块的热力图中颜色最深的行股票通常是在该时间段内最受资金青睐的个股可能是板块龙头或短期热点股。颜色最浅的则可能是被边缘化的个股。例如在消费电子板块中如果某只股票在整个季度都呈现亮色而其他股票颜色暗淡则说明资金高度集中板块行情可能由单一个股驱动板块整体性不强。捕捉资金流动的时序规律观察颜色在列时间方向上的变化。如果某个板块的颜色从左侧年初到右侧季末逐渐加深说明资金关注度在持续提升趋势可能正在形成。反之如果颜色先深后浅则可能是热点退潮。例如新能源车板块的热力图显示第5周至第8周颜色普遍最深这可能对应了当时某项产业政策的发布或龙头公司超预期的销量数据指明了关键的“时间窗口”。进行跨板块强度对比并排对比时哪个板块的整体“色温”更高说明该板块在统计期内整体获得的资金更多市场热度更高。但要注意绝对数值和相对变化的区别。一个市值巨大的板块成交额基数高颜色深是常态。更有意义的是观察其颜色深度的变化率。例如医疗器械板块整体颜色可能不如消费电子深但如果其从第10周开始颜色显著变深而同期消费电子颜色变浅这可能预示着市场风格正在从消费电子向医疗器械切换。发现异常点与交易信号热力图能快速暴露异常值。比如某只股票在绝大多数时间颜色都很浅但唯独某一周颜色极深这可能是一个孤立的“事件驱动”型交易机会如业绩预告、突发新闻其持续性和板块带动性需要谨慎评估。相反如果多只股票在同一周颜色同步加深则更可能形成板块效应。注意热力图展示的是历史数据的静态分布。它是指示器不是预测器。它的主要价值在于帮助分析师快速归纳历史特征、验证假设例如“市场资金是否在向某个板块集中”并为构建动态监控仪表盘提供可视化方案。4. 进阶应用将热力图整合到量化分析流程热力图不应只是一个孤立的分析终点而应成为量化工作流中的一个有机环节。下面介绍两种进阶整合思路。4.1 动态监控仪表盘我们可以创建一个脚本定期如每日收盘后自动运行更新板块热力图并将其嵌入到自动化报告中。import schedule import time from datetime import datetime import matplotlib matplotlib.use(Agg) # 使用非交互式后端适合脚本运行 import matplotlib.pyplot as plt def generate_sector_heatmap_dashboard(): 生成板块热力图仪表盘并保存 # 1. 获取最新数据这里替换为你的数据获取函数 end_date datetime.today().strftime(%Y-%m-%d) start_date (datetime.today() - pd.Timedelta(days60)).strftime(%Y-%m-%d) # 最近60天 sector_data_dict fetch_sector_data(start_date, end_date) # 2. 为每个关注的板块生成热力图 fig, axes plt.subplots(2, 2, figsize(18, 14)) # 2x2布局 axes axes.flatten() sectors list(sector_data_dict.keys())[:4] # 取前4个板块 for idx, sector in enumerate(sectors): ax axes[idx] data_matrix, stock_list, date_range process_data_for_heatmap(sector_data_dict[sector]) im ax.imshow(data_matrix, cmapcoolwarm, aspectauto, interpolationnearest) ax.set_title(f{sector}板块近60日热度, fontsize12) ax.set_xticks(np.arange(len(date_range))[::5]) # 每5个日期显示一个标签 ax.set_xticklabels([d.strftime(%m-%d) for d in date_range][::5], rotation90, fontsize8) ax.set_yticks(np.arange(len(stock_list))) ax.set_yticklabels([code[:6] for code in stock_list], fontsize8) # 只显示股票数字代码 ax.figure.colorbar(im, axax, shrink0.8) plt.suptitle(f板块资金热度监控仪表盘 ({end_date}), fontsize16) plt.tight_layout(rect[0, 0.03, 1, 0.95]) # 3. 保存图片 filename fsector_heatmap_dashboard_{end_date}.png plt.savefig(filename, dpi150) plt.close(fig) print(f仪表盘已生成: {filename}) # 4. 可选将图片发送到邮件或即时通讯工具 # send_notification_with_image(filename) # 设定每天下午6点运行 schedule.every().day.at(18:00).do(generate_sector_heatmap_dashboard) while True: schedule.run_pending() time.sleep(60)4.2 结合相关性分析与聚类热力图可以直观展示相关性矩阵或聚类结果。例如我们可以计算一个板块内所有股票收益率的相关性矩阵并用热力图可视化。# 计算收益率相关性矩阵 # 假设 price_df 是一个DataFrame索引为日期列是股票代码值是复权价格 returns_df price_df.pct_change().dropna() # 计算日收益率 correlation_matrix returns_df.corr() # 计算相关系数矩阵 fig, ax plt.subplots(figsize(10, 8)) # 使用发散色系RdBu中心为白色便于区分正负相关 im ax.imshow(correlation_matrix, cmapRdBu, vmin-1, vmax1, aspectauto) # 添加数值和网格 for i in range(len(correlation_matrix)): for j in range(len(correlation_matrix)): text ax.text(j, i, f{correlation_matrix.iloc[i, j]:.2f}, hacenter, vacenter, colorblack, fontsize8) ax.set_xticks(np.arange(len(correlation_matrix.columns))) ax.set_yticks(np.arange(len(correlation_matrix.index))) ax.set_xticklabels(correlation_matrix.columns, rotation90, fontsize10) ax.set_yticklabels(correlation_matrix.index, fontsize10) ax.set_title(板块内个股收益率相关性热力图, pad20) cbar ax.figure.colorbar(im, axax, shrink0.8) cbar.ax.set_ylabel(相关系数, rotation-90, vabottom) plt.tight_layout() plt.show()从这张相关性热力图中我们可以快速识别出哪些股票走势高度同步颜色接近深红或深蓝哪些股票走势独立颜色接近白色。这对于构建分散化的投资组合或设计配对交易策略至关重要。5. 避坑指南与性能优化在实际使用中你可能会遇到一些挑战。这里分享几个常见的“坑”和解决方案。数据质量问题停牌处理股票停牌期间数据为0或NaN。如果直接绘图会导致该时间段颜色异常。建议在数据预处理阶段对停牌期的成交额用前值填充或标记为特殊值并在热力图上通过添加网格线或注释加以说明。异常值单日巨量成交如解禁、乌龙指会扭曲整个颜色标尺使其他正常日期的变化难以分辨。可以考虑使用np.clip()函数对数据进行截断或使用分位数如99%作为vmax。# 使用99%分位数作为颜色上限避免极端值影响 vmax_capped np.percentile(heatmap_data, 99) im ax.imshow(heatmap_data, cmapYlOrRd, vmin0, vmaxvmax_capped, aspectauto)可视化性能与美观股票数量过多当板块成分股超过50只时Y轴的股票代码标签会拥挤不堪。解决方案一是只显示部分重要股票如市值前20二是使用行业分类或自定义分组进行聚合绘制“子板块”热力图。时间周期过长当分析周期超过一年时X轴日期标签会重叠。可以考虑按月度或季度进行数据聚合而不是按周。或者使用plt.setp对标签进行旋转和间隔显示。# 仅显示间隔的刻度标签 xticks np.arange(len(week_numbers))[::4] # 每4周显示一个标签 ax.set_xticks(xticks) ax.set_xticklabels([week_numbers[i] for i in xticks], rotation45)解读误区混淆相关性与因果热力图显示A板块和B板块同时变热不代表两者有因果关系可能共同受第三个因素如大盘流动性影响。忽视绝对规模一个小盘股板块的成交额翻倍其绝对增量可能远小于一个大盘股板块10%的增长。热力图展示的是相对比例决策时需结合市值、换手率等指标综合判断。最后记得将热力图与你策略中的其他指标如MACD、RSI、资金流结合起来看。我自己的习惯是每天早上开盘前花几分钟看一眼前一天的板块热力图它能给我一个关于市场“温度”和“颜色”的直观印象这种印象有时比一堆数字更能帮助我感知市场的情绪焦点在哪里。