4、情绪指标计算：换手率、波动率、成交量变异系数、涨跌停比
各位同学，今天我们来啃一块硬骨头——情绪指标的计算。
说实话，很多做量化的人一上来就搞机器学习模型，结果回测一塌糊涂。为什么？因为底层情绪数据没算对。我个人的习惯是，先把这些基础指标吃透，再谈策略。今天这4个指标，是我在实盘项目中反复打磨过的，每一个都有坑。
4.1 换手率：市场活跃度的体温计
换手率，说白了就是「股票转手的频率」。你想想看，一只股票如果没人买卖，换手率就是0。如果大家都在抢筹，换手率就飙升。
计算公式：
换手率 = 当日成交量 / 流通股本 × 100%嗯，这里要注意：流通股本不是总股本。很多新手直接用总股本算，结果指标失真。我在项目中遇到过，某只银行股总股本很大，但大部分是国有股不流通，用总股本算出来的换手率低得离谱，完全没法用。
Python实现：
import pandas as pd
def calc_turnover_rate(volume, circulating_shares):
"""
计算换手率
:param volume: 当日成交量（股）
:param circulating_shares: 流通股本（股）
:return: 换手率（%）
"""
turnover = (volume / circulating_shares) * 100
return turnover.round(2)
# 示例
df['turnover_rate'] = calc_turnover_rate(df['volume'], df['circulating_shares'])4.2 波动率：情绪的振幅
波动率反映的是价格上下跳动的剧烈程度。情绪越激动，波动率越大。我个人习惯用「日内振幅」来算，而不是用收盘价的标准差。为什么？因为日内数据更能捕捉到盘中情绪的瞬间爆发。
计算公式：
日内波动率 = (当日最高价 - 当日最低价) / 当日收盘价 × 100%Python实现：
def calc_volatility(high, low, close):
"""
计算日内波动率
"""
vol = (high - low) / close * 100
return vol.round(2)
df['volatility'] = calc_volatility(df['high'], df['low'], df['close'])4.3 成交量变异系数：量能的异常信号
这个指标很多人不重视，但我觉得它比单纯的成交量更有价值。成交量变异系数（CV）衡量的是成交量相对于其均值的离散程度。说白了，就是看今天的成交量是不是「不正常」。
计算公式：
成交量变异系数 = 当日成交量 / 过去N日成交量均值为什么用比值而不是差值？因为不同股票的成交量基数不一样。茅台一天成交50亿，小盘股一天成交5000万，直接用差值没法比。用比值就标准化了。
Python实现：
def calc_volume_cv(volume, window=20):
"""
计算成交量变异系数
"""
mean_vol = volume.rolling(window=window).mean()
cv = volume / mean_vol
return cv.round(2)
df['volume_cv'] = calc_volume_cv(df['volume'])4.4 涨跌停比：极端情绪的晴雨表
涨跌停比，这个指标我特别喜欢。它直接告诉你：今天市场是「疯狂做多」还是「恐慌出逃」。
计算公式：
涨跌停比 = 涨停家数 / (涨停家数 + 跌停家数)注意：这个比值在0到1之间。大于0.7说明市场情绪亢奋，小于0.3说明恐慌。我曾经在2022年4月的一次回测中，发现这个指标连续3天低于0.2，随后大盘见底反弹。嗯，这就是情绪极值的威力。
Python实现：
def calc_limit_ratio(up_limit, down_limit):
"""
计算涨跌停比
"""
total = up_limit + down_limit
if total == 0:
return 0.5 # 没有涨跌停时，返回中性值
ratio = up_limit / total
return round(ratio, 4)
df['limit_ratio'] = calc_limit_ratio(df['up_limit_count'], df['down_limit_count'])4.5 四个指标的综合应用框架
单独看一个指标，意义不大。把它们组合起来，才能形成完整的情绪画像。下面是我在项目中常用的框架图：
这个框架的核心逻辑是：四个指标先各自标准化到0-100区间，然后按权重合成一个综合情绪指数。权重怎么定？我建议用等权，简单有效。如果你有历史数据，也可以用PCA或者因子分析来优化权重。
4.6 实战中的注意事项
最后，分享几个我在实战中踩过的坑：
- 数据对齐： 不同股票的交易日可能不一样，合并数据时一定要用inner join，否则会出现空值。
- 极端值处理： 换手率和波动率偶尔会出现异常大的值，建议用99%分位数做截断处理。
- 参数敏感性： 成交量CV的窗口期N，我试过5、10、20、30，最终发现20日效果最稳定。你可以根据自己的回测周期调整。
- 不要过度优化： 这四个指标已经够用了。我见过有人加了十几个情绪指标，结果过拟合得一塌糊涂。
好了，这一章的内容就到这里。代码我已经贴出来了，你直接复制到自己的回测框架里就能用。如果遇到问题，欢迎在群里交流。