研究打板策略

最新推荐文章于 2025-06-19 11:01:45 发布

神出鬼没，指的就是我!

最新推荐文章于 2025-06-19 11:01:45 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏：量化 python akshare 文章标签： python

本文链接：https://blog.csdn.net/qq_26742269/article/details/129074649

量化同时被 3 个专栏收录

131 篇文章

订阅专栏

python

79 篇文章

订阅专栏

akshare

30 篇文章

订阅专栏

该文通过Python编程使用AkShare库获取股票市场数据，首先找出当前最大涨幅的板块，然后筛选出该板块中的涨停股票。接着，结合个股热度排名，对选定股票进行历史交易数据的获取和处理，绘制烛形图进行技术分析，特别是关注20日和5日均量以及高点突破情况，以判断股票的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

思路：

根据当前最强势板块以及前一天的涨停股票池，以及股票个股热度名单小于50

导入包：

import akshare as ak
import numpy as np
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
import mplfinance as mpf
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体为微软雅
plt.rcParams['font.sans-serif'] = ['SimHei']        # 字体设置
import matplotlib
matplotlib.rcParams['axes.unicode_minus']=False    # 负号显示问题

获取最热板块：

#获取最大涨幅板块
ind = ak.stock_board_industry_name_em()
bk = ind.sort_values('涨跌幅',ascending=False)['板块名称'][0]
bk

获取板块中涨停个股：

end =datetime.now().strftime('%Y%m%d')
stock_zt_pool_em_df = ak.stock_zt_pool_em(date=end)
stock_pool= stock_zt_pool_em_df[(stock_zt_pool_em_df['所属行业']==bk)]

数据修改：

stock_hot_rank_wc_df = ak.stock_hot_rank_wc(date=end)
stock_hot_rank_wc_df.rename(columns= {'股票代码':'代码'},inplace=True)
stock_hot_rank_wc_df = stock_hot_rank_wc_df[(stock_hot_rank_wc_df['代码']==stock_pool.iloc[0,1])]
stock_pool = pd.merge(stock_pool,stock_hot_rank_wc_df,on='代码')

绘图：

for i in range(len(stock_pool['代码'])):
    end =datetime.now().strftime('%Y%m%d')
    code= str(stock_pool['代码'].values[i])
    data =  ak.stock_zh_a_hist(symbol=code, period="daily", start_date="19900301", end_date=end, adjust="")
    data['日期'] = pd.to_datetime(data['日期'], format='%Y-%m-%d')
    data.rename(columns= {'日期':'date','开盘':'open','最高':'high','最低':'low','收盘':'close','成交量':'volume'},inplace=True)
    data['code'] = code
    data = data[['date','open','close','high','low','volume','code']]
    data['max'] = data['high'].rolling(20).max()
    data['volume_20m'] = data['volume'].rolling(20).mean()
    data['volume_5m'] = data['volume'].rolling(5).mean()
    data = data[(data['high']>=data['max'])&(data['volume']>data['volume_20m'])&(int((str(stock_pool['个股热度排名'].values).split('/'))[0][2:])<50)]
    data = data.set_index(data.date)
    data = data[['open','close','high','low','volume','code']]
    print(code)
    mpf.plot(data[-10:],type='candle',volume=True)

效果图：