股票交易中的“阳包阴”是一种K线形态，通常表示市场情绪从消极转向积极的一个信号。这种模式出现在连续两天的价格走势中： - 第一天是一个下跌趋势的实体（即收盘价低于开盘价），称为“阴线”，并且这个实体颜色通常是黑色或者绿色； - 接下来的一天则出现了上涨的趋势，并且它的价格范围完全覆盖了前一天的价格变动区间，形成了一个更大的上升实体（也就是“阳线”），它一般显示为红色。 当编写Python程序来识别这样的模式时，可以按照以下几个步骤来进行操作： ### 步骤一：获取数据 首先需要获得目标股票的历史行情信息作为分析的基础资料，我们可以借助第三方库如`tushare`或`akshare`等API轻松地抓取这些公开的数据资源。 安装Tushare: ```bash pip install tushare ``` 导入所需模块并设置token(需先注册账号申请): ```python import pandas as pd import matplotlib.pyplot as plt import mpl_finance as mpf # 如果报错 pip install https://github.com/matplotlib/mpl_finance/archive/master.zip plt.style.use('ggplot') import tushare as ts ts.set_token('your token here') # 替换为你的Token值 pro = ts.pro_api() ``` 下载历史日线级成交明细至DataFrame结构化表单内存储起来备用： ```python def get_stock_data(ts_code='000001.SZ', start_date="20230101", end_date=None): df = pro.daily(ts_code=ts_code, start_date=start_date, end_date=end_date) return df.sort_values(by=['trade_date']).reset_index(drop=True) df = get_stock_data("600519.SH") print(df.head()) ``` > 注意这里的日期格式均为YYYYMMDD形式！ ### 步骤二：计算涨跌幅、判断是否满足条件 基于每日的最高价(`high`)最低价(`low`)以及开闭盘价位(open/close)，我们能够进一步构造出两个重要的特征列——涨幅pct_chg和昨日相应数值prev_* 接下来就是核心部分啦！我们需要根据定义去遍历每一天的情况看是否存在当前k线比前一日更强势的情形，也就是说： - 当天close > 昨日open, - 同时当天open <= 昨日close， 这说明今天的高点超过了昨天的所有波动区域，构成了标准意义上的“阳包阴”。 ```python # 计算一些辅助字段 df['pre_close'] = df.close.shift(1) # 前复权后的昨收价 df["pct_chg"]=(df["close"]/df["pre_close"] - 1)*100 # 涨幅% df.fillna({'pre_close': df.open.iloc[0]}, inplace=True) def check_bullish_engulfing(row): if row.name < 1 or not all([pd.notnull(x) for x in [row.pre_close,row.open,row.high,row.low]]): return False is_yin = (row.pre_close >= row.prev_open and row.pre_close <= row.prev_close)\ or ((row.prev_high != row.prev_low) \ and min(row.pre_close , row.prev_close)<max(row.pre_close , row.prev_close)) is_yang = row.pct_chg>=0 \ and max(row.open, row.prev_close)<=min(row.close, row.prev_open) return bool(is_yang & is_yin ) df[['prev_open','prev_close']] = df[['open','close']].shift().fillna(method='bfill') df['is_bullish_engulfing']=df.apply(check_bullish_engulfing,axis=1) ``` 最后你可以通过简单的筛选找出所有符合条件的日子来做后续的研究分析或是可视化展示咯~