成交量不会说谎：用最直观的多空力量博弈地图预判涨跌，代码直接抄走！

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：今天教大家一个量化分析股票资金流向的硬核方法，把成交量按价格和方向画成图，一眼看穿多空力量对比！这个工具能帮你找到主力真实意图，轻松识别关键支撑阻力位。文中有完整代码，手把手教你实现。

一、什么是市场压力可视化？

你是不是经常盯着K线图里的成交量柱子发懵。

• 传统成交量只能告诉你这里交易活跃，但买方和卖方到底谁在主导？
• 资金集中在什么价格区间？

这些关键问题它答不上来。举个栗子🌰：

• 如果某天股价上涨，成交量放大，可能是主力吸筹；
• 也可能是散户疯狂接盘，第二天直接砸盘…

光看成交量就像雾里看花，而传统的成交量指标只能告诉我们”交易了多少”，但不能告诉我们”在哪里交易的”和”谁在主导”。今天我要教大家的方法，就能完美解决这个问题。

简单说，我们就是把成交量按照两个维度进行分类：

• 按价格分：把相近的交易价格归为一类。
• 按方向分：区分是买入主导还是卖出主导。

这样我们就能看到：在哪个价格区间买入力量强，在哪个价格区间卖出力量强。

想象一下，这就像是一场拔河比赛。左边是买方队伍，右边是卖方队伍。我们的图表就是看两边在哪个位置使了多大的力气。

二、双侧模型核心原理

传统成交量只看总量，不管方向。我们改成双侧：一边买家，一边卖家。

我们只需要三个步骤：

1. 区分买卖方向：收盘价高于开盘价算买入，低于开盘价算卖出。
2. 价格分桶：把相近的价格分成一组。
3. 成交量汇总：计算每个价格区间内的总成交量。

具体公式是这样的：

买入成交量 = 所有收盘价 > 开盘价的交易日的成交量总和
卖出成交量 = 所有收盘价 < 开盘价的交易日的成交量总和

然后用一个简单的数学公式进行价格分桶：

Pt​ 表示第 t 日的收盘价，δ 表示最小变动价位（例如 0.01 美元）。每个桶包含收盘价接近该价格的日期的总交易量。

一旦分桶，我们接着计算：

Ct​：收盘价；Ot​：开盘价；Vt​：音量；B：所有可见条形的集合；p：价格区间；

接下来需要对每一方进行标准化（成交量汇总）：

峰值价（最多成交量的价位）、中位价（累积超50%的价位）、成交量加权平均价（VWAP，成交量重的价位影响大）。

通过这个累计百分比，我们能一眼看出在哪个价位区间，买方或卖方的力量特别集中。曲线越陡，说明成交量越集中在少数几个价格附近，显示出强烈的多空决心。

三、手把手教学

下面我就带大家一步步实现这个可视化分析工具。

第一步：环境准备

首先安装必要的库：

pip install yfinance pandas matplotlib numpy

设置参数和下载数据：先导入库，设参数。股票代码、起始结束日期、间隔、可见柱子数、价格间隔。

import numpy as np
import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt
from matplotlib.dates import AutoDateLocator, AutoDateFormatter

# 用户参数
TICKER = "PLTR"  # 股票代码
START = "2024-01-01"  # 开始日期
END = "2025-07-13"  # 结束日期
INTERVAL = "1d"  # 日线
VISIBLE_BARS = 180  # 显示最后180天
TICK_SIZE = 0.01  # 价格间隔，小点分辨率高

# 颜色定义
BULL_EDGE_COLOR = "#089981"  # 买家边色
BULL_FILL_COLOR = (8/255, 153/255, 129/255, 0.90)  # 买家填充
BEAR_EDGE_COLOR = "#F23645"  # 卖家边色
BEAR_FILL_COLOR = (242/255, 54/255, 69/255, 0.90)  # 卖家填充

# 下载数据
df = yf.download(
    TICKER,
    start=START,
    end=END,
    interval=INTERVAL,
    auto_adjust=True,
    progress=False
)
if isinstance(df.columns, pd.MultiIndex):
    df.columns = df.columns.get_level_values(0)
vis = df.tail(VISIBLE_BARS).copy()  # 取最后180天

跑这段，数据就到手。yfinance从Yahoo Finance拉历史价。

第二步：计算价格区间和买卖方向

分上涨天（买家）和下跌天（卖家）。

vis['bucket'] = (vis['Close'] / TICK_SIZE).round().astype(int) * TICK_SIZE

# 分割
bull = vis[vis['Close'] > vis['Open']]  # 买家天
bear = vis[vis['Close'] < vis['Open']]  # 卖家天

# 聚合成交量
bull_map = bull.groupby('bucket')['Volume'].sum()
bear_map = bear.groupby('bucket')['Volume'].sum()

简单吧？groupby就是按桶合计成交量。

第三步：计算关键指标

计算累积分布和指标：归一化，算总和、峰值、累积、VWAP、中位。

# 缩放因子
bull_max = bull_map.max() if not bull_map.empty else 0
bear_max = bear_map.max() if not bear_map.empty else 0

# 总和和峰值
bull_total = bull_map.sum()
bear_total = bear_map.sum()
bull_peak_price = bull_map.idxmax() if not bull_map.empty else np.nan
bear_peak_price = bear_map.idxmax() if not bear_map.empty else np.nan

# 从高到低排序
bull_levels = bull_map.sort_index(ascending=False)
bear_levels = bear_map.sort_index(ascending=False)

# 累积占比
bull_frac = bull_levels.cumsum() / bull_total if bull_total > 0 else pd.Series([], dtype=float)
bear_frac = bear_levels.cumsum() / bear_total if bear_total > 0 else pd.Series([], dtype=float)

# VWAP和中位
bull_vwap = (bull_map.index.to_numpy() * bull_map.values).sum() / bull_total if bull_total > 0 else np.nan
bear_vwap = (bear_map.index.to_numpy() * bear_map.values).sum() / bear_total if bear_total > 0 else np.nan

bull_median = bull_frac[bull_frac >= 0.5].index[0] if not bull_frac.empty else np.nan
bear_median = bear_frac[bear_frac >= 0.5].index[0] if not bear_frac.empty else np.nan

# 价格范围
price_min = min(
    bull_levels.index.min() if not bull_levels.empty else np.inf,
    bear_levels.index.min() if not bear_levels.empty else np.inf,
    vis['Low'].min()
)
price_max = max(
    bull_levels.index.max() if not bull_levels.empty else -np.inf,
    bear_levels.index.max() if not bear_levels.empty else -np.inf,
    vis['High'].max()
)

上面这些算出曲线和线的位置。

第四步：画图展示

建图，三面板：左买、中价、右卖。底部盒子秀占比。

plt.style.use('dark_background')
fig = plt.figure(figsize=(16, 8))  # 图大小

# 位置
left_margin = 0.05
bull_width = 0.20
price_width = 0.50
price_left = left_margin + bull_width
bear_left = price_left + price_width
bottom = 0.15
height = 0.75
box_height = 0.05
box_bottom = bottom - box_height

# 中间价面板
price_ax = fig.add_axes([price_left, bottom, price_width, height])
price_ax.plot(vis.index, vis['Close'], color='white', lw=1)
price_ax.set_ylim(price_min, price_max)

date_loc = AutoDateLocator(minticks=5, maxticks=10)
price_ax.xaxis.set_major_locator(date_loc)
price_ax.xaxis.set_major_formatter(AutoDateFormatter(date_loc))
price_ax.tick_params(axis='x', rotation=45, colors='white', labelsize=8)
price_ax.tick_params(axis='y', colors='white', labelsize=8)
price_ax.set_title(f"{TICKER} – last {VISIBLE_BARS} bars", color='white')

# 左买面板
bull_ax = fig.add_axes([left_margin, bottom, bull_width, height], sharey=price_ax)
if not bull_frac.empty:
    if bull_max > 0:
        bull_norm = bull_levels.values / bull_max
        bull_ax.barh(
            bull_levels.index,
            bull_norm,
            height=TICK_SIZE * 3,
            left=1 - bull_norm,
            color='gray',
            alpha=0.5
        )
    bull_ax.fill_betweenx(
        bull_frac.index,
        1 - bull_frac,
        1,
        facecolor=BULL_FILL_COLOR,
        edgecolor=BULL_EDGE_COLOR,
        linewidth=1, alpha=0.5
    )
    bull_ax.axhline(bull_peak_price, xmin=0, xmax=1, color=BULL_EDGE_COLOR, linestyle='dotted')
    bull_ax.axhline(bull_median, xmin=0, xmax=1, color='gray', linestyle='dashdot')
    bull_ax.axhline(bull_vwap, xmin=0, xmax=1, color='gray', linestyle='dashed')
bull_ax.set_xlim(0, 1)
bull_ax.axis('off')

# 右卖面板
bear_ax = fig.add_axes([bear_left, bottom, bull_width, height], sharey=price_ax)
if not bear_frac.empty:
    if bear_max > 0:
        bear_norm = bear_levels.values / bear_max
        bear_ax.barh(
            bear_levels.index,
            bear_norm,
            height=TICK_SIZE * 3,
            left=0,
            color='gray',
            alpha=0.5
        )
    bear_ax.fill_betweenx(
        bear_frac.index,
        0,
        bear_frac,
        facecolor=BEAR_FILL_COLOR,
        edgecolor=BEAR_EDGE_COLOR,
        linewidth=1, alpha=0.5
    )
    bear_ax.axhline(bear_peak_price, xmin=0, xmax=1, color=BEAR_EDGE_COLOR, linestyle='dotted')
    bear_ax.axhline(bear_median, xmin=0, xmax=1, color='gray', linestyle='dashdot')
    bear_ax.axhline(bear_vwap, xmin=0, xmax=1, color='gray', linestyle='dashed')
bear_ax.set_xlim(0, 1)
bear_ax.axis('off')

# 底部占比
bull_share = bull_total / (bull_total + bear_total)
bear_share = bear_total / (bull_total + bear_total)

bull_box = fig.add_axes([left_margin, box_bottom, bull_width, box_height])
bull_box.barh(0, bull_share, height=1, color=BULL_FILL_COLOR, edgecolor=BULL_EDGE_COLOR)
bull_box.set_xlim(0, 1)
bull_box.axis('off')
bull_box.text(0.5, 0, f"{bull_share:.1%}", ha='center', va='center', color='white', fontsize=14)

bear_box = fig.add_axes([bear_left, box_bottom, bull_width, box_height])
bear_box.barh(0, bear_share, height=1, color=BEAR_FILL_COLOR, edgecolor=BEAR_EDGE_COLOR)
bear_box.set_xlim(0, 1)
bear_box.axis('off')
bear_box.text(0.5, 0, f"{bear_share:.1%}", ha='center', va='center', color='white', fontsize=14)

plt.tight_layout()
plt.show()

复制这些代码到Jupyter或Python文件，跑起来就能出图。改TICKER参数还可以试其他股。

四、图表解读

当你运行完代码后，会看到一个包含三部分的图表，怎么看这个图？很简单：

• 中间：股价走势图，左侧：买入力量分布（绿色），右侧：卖出力量分布（红色）。
• 绿色越浓的地方，表示在这个价格区间买入力量越强。红色越浓的地方，表示在这个价格区间卖出力量越强。
• 绿色虚线：买入最集中的价格位。红色虚线：卖出最集中的价格位。

比如上面PLTR是AI股，2025年涨107%，Q2营收1亿刀，增48%。但估值高，可能压股价。我们的图显示这180天的数据，买家总成交量占60.7%，峰值在100美元附近，中位90美元，VWAP 95美元。卖家占39.3%，分布广，峰值110美元。

指标	买家值	卖家值
总成交量占比	60.7%	39.3%
峰值价	100美元	110美元
中位价	90美元	105美元
VWAP	95美元	108美元
压力集中区	80-100美元	100-120美元

PLTR AI市场扩到了3794亿刀，目标价138美元。如图显示买家在低区强，支撑稳。卖家在上区，但弱。建议低买高卖，避高位追。最终的结论是：

买家像AI狂热粉，卖家像估值担忧者。但数据分析看，买家赢面大。

五、实战小贴士

这个工具在实际操作中很有用：

• 找支撑阻力：浓色区域往往是重要的支撑或阻力位。
• 判断强弱：对比左右两侧的面积，可以看出多空谁占优势。
• 发现突破：当价格突破浓色区域时，往往意味着趋势转变。

我总结了一个简单的决策表格：

市场信号	操作建议	风险等级
买入力量远大于卖出	考虑买入	低
卖出力量远大于买入	考虑卖出	中
双方力量均衡	观望等待	高
突破密集买入区	加仓买入	中
跌破密集卖出区	止损离场	高

⚠️ 注意事项

这个工具很好用，但也有几点要注意：

• 不是万能的：它只是辅助工具，不能单独作为买卖依据。
• 参数调整：不同股票可能需要调整TICK_SIZE参数。
• 时间周期：VISIBLE_BARS的设置会影响分析结果。
• 结合其他指标：最好与MACD、RSI等其他指标一起使用。

最重要的是，这个工具反映的是历史情况，不能保证未来一定会重复历史模式。

📈 进阶玩法

等你熟悉了基础用法后，还可以尝试这些进阶玩法：

• 多时间周期分析：同时分析日线、周线、月线的力量对比。
• 板块对比：对比同一个板块内不同股票的多空力量。
• 自选股监控：批量分析自己股票池中的个股。
• 预警系统：设置当多空力量比达到一定阈值时发出警报。

六、观点总结

今天教大家的这个市场压力可视化工具，它最大的价值在于：让看不见的买卖力量变得一目了然。最后给大家总结一下重点：

• 核心原理：把成交量按价格和方向分类，直观展示多空力量对比。
• 关键技术：价格分桶、方向区分、累积计算。
• 实用价值：识别支撑阻力、判断多空强弱、发现突破机会。
• 使用建议：结合其他指标使用，不要单独依赖这个工具。
• 持续学习：股市分析没有圣杯，需要不断学习和实践。

#关键词
#Python量化 #Python可视化 #股票分析 #多空力量 #成交量分析 #量化投资 #股市压力图 #买家卖家分析 #交易神器

本文代码我已经尽量写得简单易懂，大家可以直接复制使用。如果对文中内容有任何疑问，欢迎留言，我会尽快回复。祝您投资顺利，收益长虹！

---

本文内容仅限技术探讨和学习，不构成任何投资建议。