4、数据可视化：K线图绘制、移动平均线绘制、成交量图绘制
数据可视化，说白了就是把枯燥的数字变成一眼就能看懂的图形。做量化交易，你每天面对的就是一堆价格、成交量、指标值。光看数字，脑子容易转不过弯来。但一张K线图摆在那，高开低走、趋势方向，一目了然。
我个人习惯用两个库：matplotlib 和 plotly。matplotlib 是老牌选手，适合做静态图表，放在报告里、打印出来都行。plotly 是交互式新贵，鼠标悬停能看数据、能缩放、能拖动，适合做实时分析面板。两个我都会讲，你根据场景选。
核心知识点：
- K线图（蜡烛图）的绘制原理
- 移动平均线叠加到K线图上
- 成交量图（柱状图）与K线图联动
- matplotlib 与 plotly 两种实现方式
4.1 准备数据：OHLCV 格式
做可视化之前，先得有数据。我一般从 Yahoo Finance 或者本地 CSV 文件读取。数据格式很简单：Open（开盘）、High（最高）、Low（最低）、Close（收盘）、Volume（成交量），再加上时间索引。
import pandas as pd
import yfinance as yf
# 下载纳斯达克指数数据
df = yf.download('^IXIC', start='2024-01-01', end='2024-12-31')
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
print(df.head())小技巧： 如果你没有网络，可以用本地 CSV。我在项目中经常先下载好数据存成 CSV，避免每次跑代码都去拉接口，省时间也防断网。
4.2 用 matplotlib 绘制 K 线图
matplotlib 本身没有直接的 K 线图函数，得用 mplfinance 这个扩展库。它封装好了，一行代码就能画出漂亮的蜡烛图。
import mplfinance as mpf
# 绘制K线图 + 成交量
mpf.plot(df, type='candle', volume=True, style='charles',
title='纳斯达克 K线图', ylabel='价格 (USD)',
ylabel_lower='成交量', figsize=(12, 8))嗯，这里要注意：volume=True 会自动在下方画成交量柱状图。颜色默认是涨绿跌红，但国内习惯是涨红跌绿，你可以通过 style 参数调整。
我曾经在给团队做日报时，直接用这个函数生成图片，贴到邮件里。老板说「这图看着舒服」。其实背后就一行代码，但数据清洗花了不少功夫。
4.3 叠加移动平均线
移动平均线是趋势跟踪的基础工具。说白了就是把过去 N 天的收盘价取个平均值，连成一条线。我常用 5日、20日、60日三条均线。
# 计算移动平均线
df['MA5'] = df['Close'].rolling(window=5).mean()
df['MA20'] = df['Close'].rolling(window=20).mean()
df['MA60'] = df['Close'].rolling(window=60).mean()
# 绘制K线图 + 均线
mpf.plot(df, type='candle', volume=True, style='charles',
mav=(5, 20, 60), # 传入均线周期
title='纳斯达克 K线图 + 均线系统',
ylabel='价格 (USD)', figsize=(12, 8))避坑指南： 我曾经在回测时发现均线信号滞后严重，后来才意识到——均线是历史数据的平滑，天然有滞后性。别指望它能预测顶部底部，它只是帮你识别趋势方向。
4.4 用 plotly 做交互式图表
matplotlib 的图是静态的，plotly 就不一样了。鼠标悬停能看到具体数值，还能缩放、平移。做量化分析面板时，我首选 plotly。
import plotly.graph_objects as go
from plotly.subplots import make_subplots
# 创建子图：上面K线，下面成交量
fig = make_subplots(rows=2, cols=1, shared_xaxes=True,
vertical_spacing=0.05,
row_heights=[0.7, 0.3])
# 添加K线图
fig.add_trace(go.Candlestick(
x=df.index,
open=df['Open'], high=df['High'],
low=df['Low'], close=df['Close'],
name='K线'
), row=1, col=1)
# 添加移动平均线
fig.add_trace(go.Scatter(x=df.index, y=df['MA5'],
mode='lines', name='MA5',
line=dict(color='orange', width=1)), row=1, col=1)
fig.add_trace(go.Scatter(x=df.index, y=df['MA20'],
mode='lines', name='MA20',
line=dict(color='blue', width=1)), row=1, col=1)
fig.add_trace(go.Scatter(x=df.index, y=df['MA60'],
mode='lines', name='MA60',
line=dict(color='purple', width=1)), row=1, col=1)
# 添加成交量柱状图
fig.add_trace(go.Bar(x=df.index, y=df['Volume'],
name='成交量',
marker_color='rgba(0,150,136,0.6)'), row=2, col=1)
# 布局设置
fig.update_layout(title='纳斯达克 交互式K线图',
xaxis_title='日期',
yaxis_title='价格 (USD)',
template='plotly_white',
height=700)
fig.show()你想想看，用 plotly 做出来的图，鼠标移到某根 K 线上，开盘价、最高价、最低价、收盘价全显示出来。做复盘分析时特别方便。
4.5 双轴联动：成交量与价格的关系
成交量是价格的「燃料」。价涨量增，说明上涨有支撑；价涨量缩，可能是虚涨。我习惯把成交量放在 K 线图下方，用不同颜色区分涨跌。
# 用颜色区分成交量：涨为红色，跌为绿色
colors = ['red' if close >= open else 'green'
for close, open in zip(df['Close'], df['Open'])]
fig = make_subplots(rows=2, cols=1, shared_xaxes=True,
vertical_spacing=0.05,
row_heights=[0.7, 0.3])
# K线图（同上）
fig.add_trace(go.Candlestick(
x=df.index, open=df['Open'], high=df['High'],
low=df['Low'], close=df['Close'], name='K线'
), row=1, col=1)
# 成交量（带颜色）
fig.add_trace(go.Bar(x=df.index, y=df['Volume'],
name='成交量',
marker_color=colors), row=2, col=1)
fig.update_layout(title='价量关系图', height=700)
fig.show()注意： 成交量数据有时会缺失，尤其是从某些免费接口获取的数据。我在项目中遇到过某天成交量突然为0的情况，其实是数据源的问题。建议先做数据清洗，把缺失值填充或删除。
4.6 我的个人经验总结
做数据可视化，有几点心得分享给你：
- 先看整体，再看局部。 我习惯先看一年的 K 线图，了解大趋势，再放大看最近一个月。
- 均线不是越多越好。 有人喜欢画七八条均线，图上一团乱麻。我个人觉得 3 条足够：短期、中期、长期。
- 成交量是验证信号。 光看价格形态容易误判，配合成交量能过滤掉很多假突破。
- 交互式 vs 静态： 做研究用 plotly，做报告用 matplotlib。各取所长。
好了，这一章的内容就这些。数据可视化是量化交易的眼睛，图看得明白，策略才能做得踏实。下一章我们会聊技术指标的计算与应用，到时候再细说。