4、成交量分布：Volume Profile概念、TPO图绘制、价值区域(VA)计算、POC识别

成交量分布，英文叫 Volume Profile。说实话，这玩意儿是我入行第三年才真正搞明白的。之前一直用传统成交量，觉得够用了。直到有一次做股指期货的日内策略，怎么调参数都不对劲。后来一个老交易员跟我说：「你试试看价格在哪个位置成交最多，而不是单纯看总量。」

嗯，这句话点醒了我。传统成交量告诉你「今天成交了多少」，而 Volume Profile 告诉你「在什么价格成交了多少」。这个区别，说白了就是维度上的降维打击。

4.1 Volume Profile 的核心概念

Volume Profile 的核心思想很简单：把成交量按价格水平分布开来。你想想看，如果某个价格区间成交了巨量，说明多空双方在这个位置博弈激烈。这个位置要么是强支撑，要么是强阻力。

我个人习惯把 Volume Profile 拆成三个核心要素：

• TPO（Time Price Opportunity）：时间-价格-机会。每个时间周期内，价格扫过的区间，我们用一个字母标记。比如9:30-9:31这一分钟，价格从100.1到100.5，那就在这些价格上标记一个字母。
• 价值区域（Value Area, VA）：成交量最集中的那个价格带。通常占全天成交量的68%-70%。
• POC（Point of Control）：成交量最大的那个单一价格。这是整个分布图的「重心」。

4.2 TPO图绘制：从零开始

TPO图，说白了就是一张「价格-时间」的热力图。每个时间切片，价格扫过的位置就画一个字母。我最早在期货公司实习时，老交易员都是手画TPO图的，一张A3纸画得密密麻麻。

现在当然用Python了。我来给你看看核心代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

def build_tpo_chart(df, price_col='close', time_col='datetime', bucket_size=0.1):
    """
    构建TPO图
    df: 包含时间和价格的DataFrame
    bucket_size: 价格桶大小，比如0.1表示每0.1元一个桶
    """
    # 价格分桶
    price_min = df[price_col].min()
    price_max = df[price_col].max()
    price_bins = np.arange(price_min, price_max + bucket_size, bucket_size)
    
    # 时间切片（每30分钟一个切片）
    df['time_slice'] = df[time_col].dt.floor('30min')
    time_slices = df['time_slice'].unique()
    
    # 构建TPO矩阵
    tpo_matrix = {}
    for idx, row in df.iterrows():
        price_bucket = int((row[price_col] - price_min) / bucket_size)
        time_idx = np.where(time_slices == row['time_slice'])[0][0]
        
        if price_bucket not in tpo_matrix:
            tpo_matrix[price_bucket] = []
        tpo_matrix[price_bucket].append(chr(65 + time_idx % 26))  # 用字母标记
    
    return tpo_matrix, price_bins, time_slices

# 使用示例
# tpo_matrix, price_bins, time_slices = build_tpo_chart(data)
# 然后绘制热力图

4.3 价值区域(VA)计算：数学与直觉

价值区域的计算，本质上是一个「找重心」的过程。我见过很多新手直接取成交量最大的70%区间，这是不对的。正确的做法是：从POC开始，向两边扩展，直到累计成交量达到总成交量的70%。

为什么从POC开始？因为POC是博弈最激烈的位置，价值区域应该以它为中心。我曾经踩过这个坑，直接取中间70%的区间，结果算出来的VA完全偏离实际支撑位。

def calculate_value_area(volume_profile, total_volume, target_pct=0.70):
    """
    计算价值区域
    volume_profile: dict, key=价格, value=成交量
    total_volume: 总成交量
    target_pct: 目标占比，默认70%
    """
    # 找到POC
    poc_price = max(volume_profile, key=volume_profile.get)
    poc_volume = volume_profile[poc_price]
    
    # 从POC向两边扩展
    sorted_prices = sorted(volume_profile.keys())
    poc_idx = sorted_prices.index(poc_price)
    
    cum_volume = poc_volume
    target_volume = total_volume * target_pct
    
    left_idx = poc_idx
    right_idx = poc_idx
    
    while cum_volume < target_volume:
        # 向左扩展
        if left_idx > 0:
            left_idx -= 1
            cum_volume += volume_profile[sorted_prices[left_idx]]
        
        # 如果还不够，向右扩展
        if cum_volume < target_volume and right_idx < len(sorted_prices) - 1:
            right_idx += 1
            cum_volume += volume_profile[sorted_prices[right_idx]]
        
        # 边界保护
        if left_idx == 0 and right_idx == len(sorted_prices) - 1:
            break
    
    va_high = sorted_prices[right_idx]
    va_low = sorted_prices[left_idx]
    
    return va_low, va_high, poc_price

4.4 POC识别：找到市场的「重心」

POC，Point of Control，就是成交量最大的那个价格。听起来简单，但实际应用中有几个细节要注意。

第一，POC可能不止一个。如果两个价格成交量非常接近，就会出现「双POC」的情况。这时候我会取它们的平均值作为参考。

第二，POC是动态的。随着新数据的加入，POC会移动。我习惯用滚动窗口来计算POC，比如过去20个交易日的POC，这样能捕捉到市场重心的变化。

def identify_poc(volume_profile, multi_poc_threshold=0.95):
    """
    识别POC，支持多POC检测
    volume_profile: dict, key=价格, value=成交量
    multi_poc_threshold: 多POC阈值，成交量达到最大值的95%也算POC
    """
    max_volume = max(volume_profile.values())
    poc_candidates = []
    
    for price, volume in volume_profile.items():
        if volume >= max_volume * multi_poc_threshold:
            poc_candidates.append(price)
    
    if len(poc_candidates) == 1:
        return poc_candidates[0], poc_candidates
    else:
        # 多POC情况，返回加权平均和候选列表
        weighted_poc = sum(poc_candidates) / len(poc_candidates)
        return weighted_poc, poc_candidates

4.5 知识体系总览

下面这张图是我自己整理的Volume Profile知识体系，你可以把它当作一个快速索引：

4.6 实战中的几个坑

讲完了理论，我来聊聊实战中容易踩的坑。这些可都是真金白银换来的教训。

1. 数据频率问题：TPO图对数据频率很敏感。用1分钟数据和用5分钟数据，画出来的图差别很大。我个人习惯用1分钟数据做日内分析，用30分钟数据做日线级别分析。
2. 价格桶大小：桶太大，细节丢失；桶太小，噪声太多。我一般用ATR（平均真实波幅）的1/10作为桶大小。比如ATR=2.0，那桶大小就是0.2。
3. VA的时效性：价值区域不是一成不变的。开盘第一个小时的VA和收盘前最后一个小时的VA，意义完全不同。我习惯分时段计算VA，比如早盘VA、午盘VA、尾盘VA。
4. POC的假突破：价格突破POC不代表趋势确立。我见过太多假突破了。我的经验是：价格突破POC后，需要在该位置停留至少3根K线，才算有效突破。

4.7 代码实战：完整流程

最后，我给你一个完整的实战流程。假设你有一份分钟级别的期货数据，你想画出当天的Volume Profile：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_csv('future_minute_data.csv', parse_dates=['datetime'])
df.set_index('datetime', inplace=True)

# 2. 计算价格桶
price_min = df['close'].min()
price_max = df['close'].max()
bucket_size = 0.2  # 根据ATR调整
price_bins = np.arange(price_min, price_max + bucket_size, bucket_size)

# 3. 构建成交量分布
volume_profile = {}
for i in range(len(price_bins) - 1):
    mask = (df['close'] >= price_bins[i]) & (df['close'] < price_bins[i+1])
    volume_profile[price_bins[i]] = df.loc[mask, 'volume'].sum()

# 4. 计算VA和POC
total_volume = df['volume'].sum()
va_low, va_high, poc = calculate_value_area(volume_profile, total_volume)

# 5. 可视化
plt.figure(figsize=(10, 8))
prices = list(volume_profile.keys())
volumes = list(volume_profile.values())

plt.barh(prices, volumes, height=bucket_size*0.8, color='steelblue', alpha=0.7)
plt.axhline(y=poc, color='red', linestyle='--', linewidth=2, label=f'POC: {poc:.2f}')
plt.axhline(y=va_low, color='green', linestyle=':', linewidth=1.5, label=f'VA Low: {va_low:.2f}')
plt.axhline(y=va_high, color='green', linestyle=':', linewidth=1.5, label=f'VA High: {va_high:.2f}')

plt.xlabel('成交量')
plt.ylabel('价格')
plt.title('Volume Profile - 成交量分布图')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

print(f"POC: {poc:.2f}")
print(f"价值区域: {va_low:.2f} - {va_high:.2f}")
print(f"价值区域宽度: {va_high - va_low:.2f}")

嗯，代码跑起来之后，你会看到一张横向的柱状图。红色虚线是POC，绿色虚线是价值区域的上下沿。一眼就能看出今天市场的主要博弈区间在哪里。

我记得有一次用这个代码分析螺纹钢期货，发现POC在3800附近，但价格一直在3780-3820之间震荡。按照Volume Profile的逻辑，这个区间就是「价值区域」，价格大概率会在这里反复。果然，那天价格就在这个区间内来回走了4个小时，直到尾盘才突破。如果你当时追涨杀跌，大概率会被来回打脸。

这就是Volume Profile的价值——它告诉你市场真正的「舒适区」在哪里。价格在价值区域内，别瞎动；价格突破价值区域，才是真正的机会。

---

公众号:蓝海资料掘金营，微信deep3321