3. 交易量的基本统计：成交量、换手率、平均成交量
各位同学，今天我们来聊聊交易量数据的基础统计。说白了，就是三个核心指标：成交量、换手率、平均成交量。
我刚开始做量化的时候，觉得交易量不就是个数字嘛，有啥好研究的？后来踩了不少坑才明白——交易量是价格的燃料。没有量的价格，就像没有油的跑车，看着唬人，跑不起来。
3.1 成交量：最原始的交易信号
成交量，就是一段时间内成交的股票数量或合约数量。A股市场通常以「手」为单位，1手 = 100股。
我个人习惯把成交量分成三个维度看：
- 绝对成交量：今天成交了多少手，直接反映市场活跃度
- 相对成交量：跟过去N天比，是放量还是缩量
- 累计成交量：比如开盘30分钟的累计量，判断全天趋势
核心观点：成交量本身没有绝对标准。一只大盘股日成交1亿手可能算正常，但小盘股1000万手就算天量了。所以一定要结合个股的历史数据来看。
3.2 换手率：衡量流动性的金标准
换手率 = 成交量 / 流通股本 × 100%。
这个指标我特别喜欢。为什么？因为它把成交量「标准化」了。你想想看，工商银行和中国石油的成交量能直接比吗？不能。但换手率可以。
我在项目中遇到过这样的情况：某只股票突然放量，但换手率只有0.5%。这说明什么？说明它的流通盘太大了，这点量根本掀不起浪。反过来，一只小盘股换手率超过10%，那就要警惕了——可能是游资在搞事情。
实战经验：我个人习惯把换手率分成几个区间：
- 0-2%：冷清，适合做长线
- 2-5%：正常，适合做波段
- 5-10%：活跃，短线可以关注
- 10%以上：过热，小心追高被套
3.3 平均成交量：过滤噪音的利器
单日的成交量波动太大，受各种消息影响。这时候就需要平均成交量来帮忙。
常用的有：
- 5日均量：反映短期资金动向
- 20日均量：反映中期交易热度
- 60日均量：反映长期市场情绪
我曾经犯过一个错误：看到某天成交量突然放大3倍，以为有大资金进场，结果第二天就跌回去了。后来才发现，那只是某家机构调仓导致的异常波动。从那以后，我坚持用20日均量作为基准线——单日量超过均量的2倍，才值得重点关注。
3.4 如何获取交易量数据
数据获取是量化交易的第一步，也是最容易出问题的一步。我给大家推荐几个靠谱的渠道：
| 数据源 | 特点 | 适用场景 |
|---|---|---|
| Tushare | 免费，数据全，接口稳定 | 个人研究、小规模回测 |
| Wind | 收费，数据质量高 | 机构使用、实盘交易 |
| 聚宽/米筐 | 平台自带数据，方便回测 | 策略开发、模拟交易 |
| 交易所官网 | 最权威，但获取麻烦 | 数据校验、学术研究 |
避坑指南：我曾经用某个免费数据源做回测，结果发现它的成交量数据经常有缺失。后来一查，原来是它把停牌日的成交量直接填了0。这会导致均量计算严重失真。所以，拿到数据后第一件事——检查数据完整性。
3.5 数据清洗：脏数据比没数据更可怕
数据清洗，说白了就是「去伪存真」。我总结了一套清洗流程：
- 去重：检查是否有重复的日期数据
- 补缺：停牌日的数据如何处理？我习惯用前值填充
- 去异常：成交量突然变成0或者突然放大100倍，大概率是数据错误
- 复权处理：送转股会导致成交量虚增，需要复权处理
这里给一段简单的Python代码，展示清洗逻辑：
import pandas as pd
def clean_volume_data(df):
# 去重
df = df.drop_duplicates(subset=['date'])
# 补缺：停牌日用前值填充
df['volume'] = df['volume'].fillna(method='ffill')
# 去异常：超过20日均量5倍的数据标记为异常
df['ma20'] = df['volume'].rolling(20).mean()
df['volume'] = df['volume'].mask(
df['volume'] > df['ma20'] * 5,
df['ma20']
)
return df小技巧：清洗完数据后，我习惯画一张图看看。如果成交量曲线突然出现「尖刺」或者「断崖」，那说明清洗还没到位。嗯，视觉检查永远是最快的验证方式。
3.6 知识体系总览
下面这张图，是我自己整理的知识框架。你可以把它当成一个「导航图」，随时回来对照：
这张图把整个章节的核心逻辑串起来了。你从中心出发，先理解三个指标，再往下看它们的子概念，最后落到数据获取和清洗。嗯，这样学起来会清晰很多。
好了，这一章的内容就到这里。交易量是价格发现的「第一道门槛」，把基础打扎实了，后面讲量价关系、资金流向的时候，你才能听得更明白。