免责声明：本文基于个人使用体验，与任何厂商无商业关系。内容仅供技术交流参考，不构成投资建议。

---

一、前言

很多人学量化交易一上来就想写策略、跑回测，其实第一步应该是学会用数据说话。Python在数据分析领域的生态非常成熟，pandas、numpy、matplotlib这些库足以应对大部分期货数据分析需求。

今天分享一下我用Python做期货数据分析的常用方法，帮助入门的朋友建立数据分析的思维框架。

---

二、数据获取

分析的第一步是获取数据。以下用TqSdk获取历史K线数据：

from tqsdk import TqApi, TqAuth
import pandas as pd
import numpy as np

api = TqApi(auth=TqAuth("账户", "密码"))

# 获取螺纹钢日线数据
symbol = "SHFE.rb2510"
klines = api.get_kline_serial(symbol, 86400, 500)  # 日线，500根

# 转为DataFrame方便分析
df = pd.DataFrame({
    'datetime': pd.to_datetime(klines['datetime']),
    'open': klines['open'],
    'high': klines['high'],
    'low': klines['low'],
    'close': klines['close'],
    'volume': klines['volume'],
    'open_interest': klines['open_interest']
})

df = df.set_index('datetime')
print(f"数据量: {len(df)} 条")
print(df.tail())

api.close()

---

三、基础统计分析

1. 价格分布分析

import matplotlib.pyplot as plt

def analyze_price_distribution(df):
    """分析价格分布"""
    close = df['close']
    
    stats = {
        '均值': close.mean(),
        '中位数': close.median(),
        '标准差': close.std(),
        '最大值': close.max(),
        '最小值': close.min(),
        '偏度': close.skew(),
        '峰度': close.kurtosis()
    }
    
    for key, value in stats.items():
        print(f"{key}: {value:.2f}")
    
    return stats

# 使用示例
stats = analyze_price_distribution(df)

2. 收益率分析

def analyze_returns(df):
    """分析收益率特征"""
    # 计算日收益率
    returns = df['close'].pct_change().dropna()
    
    print("=== 收益率统计 ===")
    print(f"日均收益率: {returns.mean():.4%}")
    print(f"年化收益率: {returns.mean() * 252:.2%}")
    print(f"日波动率: {returns.std():.4%}")
    print(f"年化波动率: {returns.std() * np.sqrt(252):.2%}")
    print(f"最大日涨幅: {returns.max():.2%}")
    print(f"最大日跌幅: {returns.min():.2%}")
    print(f"正收益天数: {(returns > 0).sum()}")
    print(f"负收益天数: {(returns < 0).sum()}")
    print(f"胜率: {(returns > 0).sum() / len(returns):.2%}")
    
    return returns

returns = analyze_returns(df)

3. 成交量分析

def analyze_volume(df):
    """分析成交量特征"""
    volume = df['volume']
    
    # 成交量统计
    print("=== 成交量统计 ===")
    print(f"日均成交量: {volume.mean():.0f}")
    print(f"成交量标准差: {volume.std():.0f}")
    print(f"最大成交量: {volume.max():.0f}")
    print(f"最小成交量: {volume.min():.0f}")
    
    # 量价关系
    price_change = df['close'].pct_change()
    vol_change = volume.pct_change()
    
    # 计算量价相关性
    correlation = price_change.corr(vol_change)
    print(f"\n量价相关性: {correlation:.4f}")
    
    # 分析放量上涨/缩量下跌等模式
    vol_avg = volume.rolling(20).mean()
    high_vol = volume > vol_avg * 1.5  # 放量
    low_vol = volume < vol_avg * 0.5   # 缩量
    up = price_change > 0
    down = price_change < 0
    
    patterns = {
        '放量上涨': (high_vol & up).sum(),
        '放量下跌': (high_vol & down).sum(),
        '缩量上涨': (low_vol & up).sum(),
        '缩量下跌': (low_vol & down).sum()
    }
    
    print("\n量价模式统计:")
    for pattern, count in patterns.items():
        print(f"  {pattern}: {count}次")
    
    return patterns

patterns = analyze_volume(df)

---

四、技术指标分析

1. 均线系统分析

def analyze_moving_averages(df, short_period=5, long_period=20):
    """分析均线系统"""
    close = df['close']
    
    # 计算均线
    ma_short = close.rolling(short_period).mean()
    ma_long = close.rolling(long_period).mean()
    
    # 金叉死叉统计
    golden_cross = (ma_short > ma_long) & (ma_short.shift(1) <= ma_long.shift(1))
    death_cross = (ma_short < ma_long) & (ma_short.shift(1) >= ma_long.shift(1))
    
    print(f"=== MA{short_period}/MA{long_period} 均线分析 ===")
    print(f"金叉次数: {golden_cross.sum()}")
    print(f"死叉次数: {death_cross.sum()}")
    
    # 分析金叉后N天的收益
    golden_dates = df.index[golden_cross]
    forward_returns = []
    
    for date in golden_dates:
        idx = df.index.get_loc(date)
        if idx + 10 < len(df):
            ret_5d = (df['close'].iloc[idx + 5] - df['close'].iloc[idx]) / df['close'].iloc[idx]
            ret_10d = (df['close'].iloc[idx + 10] - df['close'].iloc[idx]) / df['close'].iloc[idx]
            forward_returns.append({
                'date': date,
                '5日收益': ret_5d,
                '10日收益': ret_10d
            })
    
    if forward_returns:
        fr_df = pd.DataFrame(forward_returns)
        print(f"\n金叉后平均5日收益: {fr_df['5日收益'].mean():.2%}")
        print(f"金叉后平均10日收益: {fr_df['10日收益'].mean():.2%}")
        print(f"金叉后5日正收益比例: {(fr_df['5日收益'] > 0).sum() / len(fr_df):.2%}")
    
    return forward_returns

ma_results = analyze_moving_averages(df, 5, 20)

2. 波动率分析

def analyze_volatility(df, window=20):
    """分析波动率特征"""
    returns = df['close'].pct_change().dropna()
    
    # 历史波动率（滚动）
    rolling_vol = returns.rolling(window).std() * np.sqrt(252)
    
    # ATR计算
    high = df['high']
    low = df['low']
    close_prev = df['close'].shift(1)
    
    tr = pd.concat([
        high - low,
        (high - close_prev).abs(),
        (low - close_prev).abs()
    ], axis=1).max(axis=1)
    
    atr = tr.rolling(window).mean()
    
    # 波动率区间分析
    print("=== 波动率分析 ===")
    print(f"当前年化波动率: {rolling_vol.iloc[-1]:.2%}")
    print(f"平均年化波动率: {rolling_vol.mean():.2%}")
    print(f"最高年化波动率: {rolling_vol.max():.2%}")
    print(f"最低年化波动率: {rolling_vol.min():.2%}")
    print(f"当前ATR: {atr.iloc[-1]:.2f}")
    print(f"平均ATR: {atr.mean():.2f}")
    
    # 波动率聚集性分析
    vol_autocorr = rolling_vol.autocorr(lag=1)
    print(f"\n波动率自相关(lag=1): {vol_autocorr:.4f}")
    if vol_autocorr > 0.5:
        print("波动率存在明显聚集性")
    
    return rolling_vol, atr

vol, atr = analyze_volatility(df)

---

五、市场规律探索

1. 日内时间效应

def analyze_intraday_pattern(api, symbol):
    """分析日内时间效应"""
    # 获取分钟K线
    klines = api.get_kline_serial(symbol, 60, 5000)  # 1分钟线
    
    df = pd.DataFrame({
        'datetime': pd.to_datetime(klines['datetime']),
        'close': klines['close'],
        'volume': klines['volume']
    })
    
    # 提取小时
    df['hour'] = df['datetime'].dt.hour
    df['minute'] = df['datetime'].dt.minute
    df['time_slot'] = df['hour'].astype(str) + ':' + df['minute'].astype(str).str.zfill(2)
    
    # 按小时统计
    hourly_stats = df.groupby('hour').agg({
        'volume': 'mean',
        'close': lambda x: x.pct_change().std()  # 波动率
    })
    
    print("=== 日内时间效应 ===")
    print("各小时平均成交量和波动率:")
    print(hourly_stats)
    
    return hourly_stats

2. 星期效应

def analyze_weekday_effect(df):
    """分析星期效应"""
    returns = df['close'].pct_change().dropna()
    
    # 按星期分组
    df_with_returns = df.copy()
    df_with_returns['return'] = returns
    df_with_returns['weekday'] = df_with_returns.index.dayofweek
    
    weekday_names = {0: '周一', 1: '周二', 2: '周三', 3: '周四', 4: '周五'}
    
    print("=== 星期效应分析 ===")
    
    for day in range(5):
        day_returns = df_with_returns[df_with_returns['weekday'] == day]['return']
        if len(day_returns) > 0:
            print(f"{weekday_names[day]}: "
                  f"均值={day_returns.mean():.4%}, "
                  f"波动={day_returns.std():.4%}, "
                  f"胜率={((day_returns > 0).sum() / len(day_returns)):.2%}")

analyze_weekday_effect(df)

3. 持仓量与价格关系

def analyze_oi_price_relationship(df):
    """分析持仓量与价格的关系"""
    price_change = df['close'].pct_change()
    oi_change = df['open_interest'].pct_change()
    
    # 相关性
    correlation = price_change.corr(oi_change)
    print(f"=== 持仓量与价格关系 ===")
    print(f"相关系数: {correlation:.4f}")
    
    # 四象限分析
    up_price = price_change > 0
    down_price = price_change < 0
    up_oi = oi_change > 0
    down_oi = oi_change < 0
    
    patterns = {
        '价涨+持仓增（多头增仓）': (up_price & up_oi).sum(),
        '价涨+持仓减（空头减仓）': (up_price & down_oi).sum(),
        '价跌+持仓增（空头增仓）': (down_price & up_oi).sum(),
        '价跌+持仓减（多头减仓）': (down_price & down_oi).sum()
    }
    
    total = sum(patterns.values())
    print("\n持仓量-价格四象限:")
    for pattern, count in patterns.items():
        print(f"  {pattern}: {count}次 ({count/total:.1%})")

analyze_oi_price_relationship(df)

---

六、数据分析工具对比

做这些分析不一定非要用某一个特定工具，但数据获取方式有差异：

工具	数据获取便利性	分析灵活性	适合场景
TqSdk + pandas	★★★★★	★★★★★	期货数据分析
VnPy + pandas	★★★	★★★★★	需自建数据库
聚宽/米筐	★★★★	★★★★	主要面向股票
文华财经	★★★★	★★	简单看图分析

我个人习惯用TqSdk获取数据，然后用pandas做深度分析。主要是因为数据获取方便，不需要额外配置数据库。

---

七、总结

数据分析是量化交易的基础功课。通过系统的数据分析，你可以：

1. 了解品种特性：波动率、成交量分布、趋势特征
2. 发现市场规律：时间效应、量价关系、持仓量信号
3. 验证交易想法：用数据而非直觉来判断策略可行性
4. 优化策略参数：基于统计分析选择合理的参数范围

建议每个做量化交易的人都花时间做一遍自己交易品种的数据分析，这对后续的策略开发会有很大帮助。

这只是我个人的分析方法和工具选择，每个人可以根据自己的需求调整。

---

声明：本文基于个人学习经验整理，仅供技术交流参考，不构成任何投资建议。文中提及的工具和方法请自行评估是否适合自己的需求。