4. 成交量与换手率分析：成交量分布特征、换手率计算与滚动窗口分析、活跃券与非活跃券的识别

各位同学，咱们今天聊一个实操性很强的话题——成交量与换手率。说实话，我刚入行那会儿，觉得利率债流动性分析就是看看成交笔数、算算买卖价差。后来被市场狠狠教育了几次，才明白成交量分布和换手率才是真正的核心指标。

为什么这么说？你想想看，一只债一天成交了100笔，但90笔都集中在开盘后10分钟，这能叫流动性好吗？显然不能。所以，我们不仅要看「量」，还要看「分布」；不仅要算「换手率」，还要用滚动窗口去捕捉它的动态变化。今天我就把这几年的实战经验拆开揉碎了讲给你听。

4.1 成交量分布特征：别只看总量

我个人习惯，拿到一只券的成交数据后，第一件事不是算均值，而是画分布图。为什么？因为成交量分布能告诉你市场的「真实温度」。

举个例子，我曾在分析某只10年国债时发现，它的日均成交量有50亿，看似不错。但拉出日内分布一看，好家伙，80%的成交集中在上午10点到11点之间，下午几乎无人问津。这种「脉冲式」成交，说明这只券的流动性其实很脆弱——一旦你想在下午大额卖出，可能就要承受不小的冲击成本。

成交量分布特征，我一般关注三个维度：

• 日内分布：成交是否集中在特定时段？比如早盘、尾盘。
• 周内分布：周一和周五的成交量是否有显著差异？
• 事件分布：数据发布日、缴税期、季末等特殊时点，成交量是否异常放大或萎缩？

下面这张图，是我自己常用的分析框架，帮你快速理解成交量分布的核心逻辑：

4.2 换手率计算与滚动窗口分析

换手率，说白了就是「成交量 / 流通量」。但利率债的流通量怎么定义？这里有个坑。

我记得刚开始做分析时，直接用「发行量」当分母，结果算出来的换手率低得离谱。后来才明白，利率债的「可交易量」远小于发行量——因为大量债券被银行持有至到期、被央行作为抵押品、被保险机构锁仓。所以，我建议用「托管量中剔除持有至到期和质押部分后的余额」作为分母，更贴近真实情况。

换手率的计算公式很简单：

# 换手率计算示例
def calc_turnover_rate(trade_volume, outstanding_amount, holding_to_maturity=0, pledged_amount=0):
    """
    计算换手率
    :param trade_volume: 当日成交量（面值）
    :param outstanding_amount: 发行总量
    :param holding_to_maturity: 持有至到期量
    :param pledged_amount: 质押量
    :return: 换手率（%）
    """
    available_amount = outstanding_amount - holding_to_maturity - pledged_amount
    if available_amount <= 0:
        return 0.0
    turnover_rate = trade_volume / available_amount * 100
    return round(turnover_rate, 2)

# 举个例子
print(calc_turnover_rate(10e8, 100e8, 30e8, 20e8))  # 输出: 20.0%

但光算一天的换手率意义不大。我更关注的是「滚动窗口换手率」——用过去N天的累计成交量除以流通量。这样能平滑掉单日的异常波动，看到更稳定的趋势。

我一般用20个交易日（约一个月）的滚动窗口：

import pandas as pd

def rolling_turnover_rate(df, window=20):
    """
    计算滚动窗口换手率
    :param df: DataFrame，包含'date'和'volume'列
    :param window: 滚动窗口天数
    :return: 添加滚动换手率列的DataFrame
    """
    df = df.sort_values('date')
    # 假设流通量不变，用第一个有效值
    available_amount = df['available_amount'].iloc[0]
    # 滚动求和成交量
    df['rolling_volume'] = df['volume'].rolling(window=window, min_periods=1).sum()
    df['rolling_turnover'] = df['rolling_volume'] / available_amount * 100
    return df

# 使用示例
# df = rolling_turnover_rate(df, window=20)

4.3 活跃券与非活跃券的识别

好了，前面铺垫了这么多，终于到核心了——怎么用成交量和换手率来识别活跃券？

说实话，市场上对「活跃券」的定义五花八门。有人看成交笔数，有人看做市商报价宽度，有人看日内价格波动。我个人习惯，用三个指标综合打分：

这三个指标各有侧重：日均成交量看「体量」，滚动换手率看「周转速度」，成交连续性看「交易频率」。三者结合，基本能筛出真正的活跃券。

我曾在2023年用这套方法做过一次全市场利率债的活跃度排名。结果发现，10年期国债活跃券的滚动换手率通常在30%-50%之间，而一些老券（比如2018年发行的10年国债）换手率不到5%，而且经常连续3-5天没有成交——这种券，说白了就是「僵尸券」，做交易时一定要避开。

下面是一个简单的识别代码：

def identify_active_bonds(df, threshold_volume=None, threshold_turnover=20, threshold_continuity=0.8):
    """
    识别活跃券
    :param df: DataFrame，包含bond_code, avg_volume, rolling_turnover, trade_days_ratio
    :return: 活跃券列表
    """
    # 如果没有给定成交量阈值，用均值+1倍标准差
    if threshold_volume is None:
        mean_vol = df['avg_volume'].mean()
        std_vol = df['avg_volume'].std()
        threshold_volume = mean_vol + std_vol
    
    # 打分
    df['score'] = 0.0
    df.loc[df['avg_volume'] > threshold_volume, 'score'] += 40
    df.loc[df['rolling_turnover'] > threshold_turnover, 'score'] += 35
    df.loc[df['trade_days_ratio'] > threshold_continuity, 'score'] += 25
    
    # 总分超过80分的视为活跃券
    active_bonds = df[df['score'] >= 80]['bond_code'].tolist()
    return active_bonds

4.4 实战中的几个判断技巧

最后，分享几个我在实战中总结的小技巧，希望能帮你少走弯路：

1. 成交量突然放大，不一定是好事。如果伴随价格大幅波动，可能是大机构在调仓或止损，这种「被动成交」不代表流动性好。
2. 换手率持续高于30%的券，要警惕「过度交易」。我记得2022年有一只5年国债，换手率一度冲到80%，后来发现是某家机构在做高频交易策略，一旦策略停止，流动性瞬间枯竭。
3. 非活跃券也有价值。如果你做配置型策略，非活跃券的收益率通常比活跃券高10-20bp，这就是「流动性溢价」。但前提是你能承受持有期内无法顺利卖出的风险。
4. 滚动窗口的周期要随市场调整。震荡市用20日窗口，趋势市可以缩短到10日，极端行情（比如2020年3月）用5日窗口才能捕捉到变化。

嗯，关于成交量与换手率分析，今天就聊到这儿。这套方法我用了好几年，在实盘交易中帮我避开了不少坑。你可以在自己的数据上跑一遍，看看能不能发现一些有意思的规律。

公众号:蓝海资料掘金营，微信deep3321