涨跌家数指标：情绪线的起点

各位同学，今天我们来聊聊量化交易里最基础、也最直观的情绪指标——涨跌家数比。

说白了，这个指标就是数一数今天有多少股票涨了，多少跌了。然后算个比值。听起来简单吧？但就是这么一个简单的数字，背后藏着市场情绪的密码。

我个人习惯把这个指标叫做「市场呼吸灯」。为什么？因为它能直观反映市场是「喘得上气」还是「憋得慌」。牛市里涨的家数多，熊市里跌的家数多，这个道理谁都懂。但怎么把这个感觉变成可量化的信号，才是我们今天要解决的问题。

一、涨跌家数比的定义

先给个公式，大家一看就明白：

涨跌家数比 = 当日上涨家数 / 当日下跌家数

举个例子：今天沪深两市有3000只股票上涨，1500只下跌，那么涨跌比就是2.0。这意味着每2只股票上涨，对应1只股票下跌。市场情绪偏乐观。

如果反过来，1000只涨，3500只跌，比值就是0.286。嗯，这时候你该警惕了。

我在项目中遇到过一个问题：有些同学直接用「上涨家数 - 下跌家数」来做差值。我个人不建议这么做。为什么？因为差值受股票总数影响太大。十年前A股只有2000只股票，现在快5000只了。同样的差值，在不同时期代表的意义完全不同。用比值，天然做了归一化处理，更稳定。

二、数据获取与计算

好，理论讲完了，咱们直接上代码。我习惯用Tushare或者AKShare来获取数据。这里以AKShare为例，因为它免费且数据全。

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

# 获取全市场涨跌家数数据
def get_market_sentiment(date):
    """
    获取指定日期的涨跌家数
    """
    df = ak.stock_zh_a_spot_em()
    
    # 计算涨跌家数
    up_count = len(df[df['涨跌幅'] > 0])
    down_count = len(df[df['涨跌幅'] < 0])
    flat_count = len(df[df['涨跌幅'] == 0])
    
    # 计算比值
    if down_count > 0:
        ratio = up_count / down_count
    else:
        ratio = np.inf  # 极端情况，没有下跌的股票
    
    return {
        'date': date,
        'up': up_count,
        'down': down_count,
        'flat': flat_count,
        'ratio': ratio
    }

# 测试一下
result = get_market_sentiment('2024-01-15')
print(f"上涨: {result['up']}, 下跌: {result['down']}, 涨跌比: {result['ratio']:.2f}")

这里有个细节要注意：平盘的家数怎么处理？我一般直接忽略，因为平盘的股票数量很少，对整体比值影响不大。但如果你做高频分析，可以考虑把平盘家数按0.5:0.5的比例分摊到涨跌两边。

三、构建基础情绪线

单日的涨跌比波动太大，直接看容易眼花。我建议做两个处理：

1. 移动平均平滑：用5日或10日均线把毛刺去掉
2. 归一化到0-100区间：方便和其他指标对比

来看代码实现：

def build_sentiment_line(start_date, end_date, window=5):
    """
    构建基础情绪线
    """
    # 获取日期序列
    dates = pd.date_range(start_date, end_date, freq='B')
    
    sentiment_data = []
    for date in dates:
        try:
            result = get_market_sentiment(date.strftime('%Y-%m-%d'))
            sentiment_data.append(result)
        except:
            continue
    
    df = pd.DataFrame(sentiment_data)
    
    # 计算移动平均
    df['ma_ratio'] = df['ratio'].rolling(window=window).mean()
    
    # 归一化处理（将比值映射到0-100）
    min_ratio = df['ma_ratio'].min()
    max_ratio = df['ma_ratio'].max()
    df['sentiment_score'] = (df['ma_ratio'] - min_ratio) / (max_ratio - min_ratio) * 100
    
    return df

# 生成情绪线
sentiment_df = build_sentiment_line('2023-01-01', '2024-01-01')
print(sentiment_df.tail())

你想想看，这个情绪线有什么意义？当sentiment_score低于20时，说明市场极度悲观，可能接近冰点。高于80时，说明市场极度亢奋，可能接近沸点。这就是我们后面要讲的「冰点-沸点」交易策略的基础。

四、核心逻辑框架

为了让大家更直观地理解整个体系，我画了一张流程图：

五、实战中的注意事项

讲完了理论和方法，我来分享几个实战中容易踩的坑：

六、情绪线的可视化

最后，我们来看看怎么把情绪线画出来。好的可视化能让你一眼看出市场的情绪状态。

def plot_sentiment_line(df):
    """
    绘制情绪线
    """
    fig, ax = plt.subplots(figsize=(12, 6))
    
    # 绘制情绪线
    ax.plot(df['date'], df['sentiment_score'], 
            color='#3498db', linewidth=2, label='情绪指数')
    
    # 绘制冰点/沸点区域
    ax.axhspan(0, 20, alpha=0.2, color='red', label='冰点区域')
    ax.axhspan(80, 100, alpha=0.2, color='green', label='沸点区域')
    
    # 添加参考线
    ax.axhline(y=50, color='gray', linestyle='--', alpha=0.5)
    
    ax.set_title('市场情绪线（涨跌家数比）', fontsize=16)
    ax.set_ylabel('情绪指数')
    ax.legend()
    plt.show()

# 调用函数
plot_sentiment_line(sentiment_df)

嗯，到这里，基础情绪线的构建就讲完了。你可能会问：这个指标单独用够不够？说实话，不够。它只是一个基础信号，需要和其他指标配合使用。但作为起点，它已经足够优秀了。

记住一句话：涨跌家数比是市场的体温计，不是诊断书。它能告诉你市场「发烧了」，但具体是什么病，还需要进一步检查。

下一节，我们会在这个基础上，加入成交量、涨跌停家数等维度，构建更立体的情绪指标体系。但今天，先把基础打牢。

---

公众号:蓝海数据掘金营，微信deep3321