3、时间序列可视化：用Matplotlib画价格、成交量和均线
做量化交易，第一件事是什么？
我个人习惯——先把数据画出来看看。你想想看，一堆数字摆在那，你很难看出门道。但一旦变成图表，趋势、异常、规律，全都一目了然。这就是可视化的力量。
3.1 为什么可视化这么重要？
我在项目中遇到过不少新手，上来就搞复杂模型，结果数据本身就有问题——缺失值、异常跳空、甚至日期顺序都是乱的。可视化就是最好的数据质量检查工具。
具体来说，可视化能帮你做三件事：
- 发现数据质量问题：一眼看出缺失、异常、跳空
- 识别趋势和模式：上升、下降、震荡、季节性
- 验证交易策略：均线金叉死叉、支撑阻力，画出来才直观
核心原则：先画图，再建模。这是时间序列分析的铁律。
3.2 准备工作：安装和导入库
我们先搭好环境。Matplotlib是Python最经典的绘图库，配合Pandas用起来很顺手。
# 安装（如果还没装）
# pip install matplotlib pandas
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 设置中文字体（避免乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
print("环境准备完成")避坑指南：我曾经在Mac上折腾了半天中文字体，最后发现用'SimHei'不行，换成'Arial Unicode MS'才搞定。Windows用户一般没问题，Linux用户可能需要安装中文字体包。
3.3 准备示例数据
为了演示，我们生成一段模拟的股票价格数据。真实项目中你会从数据库或API获取，这里先造个假数据方便理解。
import numpy as np
# 生成250个交易日（约1年）的数据
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=250, freq='B')
price = 100 + np.cumsum(np.random.randn(250) * 0.5)
volume = np.random.randint(1000000, 5000000, size=250)
df = pd.DataFrame({
'date': dates,
'close': price,
'volume': volume
})
df.set_index('date', inplace=True)
print(df.head())3.4 绘制价格走势图
最基本的折线图，看价格随时间的变化。
fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(df.index, df['close'], color='#2196F3', linewidth=1.5)
ax.set_title('股票价格走势图', fontsize=16, fontweight='bold')
ax.set_xlabel('日期')
ax.set_ylabel('收盘价（元）')
ax.grid(True, alpha=0.3)
# 格式化x轴日期
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax.xaxis.set_major_locator(mdates.MonthLocator())
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()嗯，这里要注意：日期轴的格式化很关键。如果不处理，x轴标签会挤成一团，根本看不清。我习惯用mdates.DateFormatter来控制显示格式。
3.5 绘制成交量图
成交量通常用柱状图表示，红色涨、绿色跌。这个配色是A股的习惯，美股正好相反。
# 模拟涨跌颜色
df['change'] = df['close'].diff()
colors = ['#4CAF50' if c >= 0 else '#F44336' for c in df['change']]
fig, ax = plt.subplots(figsize=(12, 4))
ax.bar(df.index, df['volume'], color=colors, alpha=0.7, width=0.8)
ax.set_title('成交量图', fontsize=14, fontweight='bold')
ax.set_xlabel('日期')
ax.set_ylabel('成交量（手）')
ax.grid(True, alpha=0.3)
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax.xaxis.set_major_locator(mdates.MonthLocator())
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()注意：第一天的change是NaN，因为没有前一天的数据。我一般会手动把第一天的颜色设为红色（涨），或者干脆跳过。这个小细节容易忽略，但画出来会报错。
3.6 叠加移动平均线
移动平均线是择时最基础的工具。5日均线代表短期趋势，20日均线代表中期趋势，60日均线代表长期趋势。
# 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()
fig, ax = plt.subplots(figsize=(12, 6))
# 画价格
ax.plot(df.index, df['close'], color='#333333', linewidth=1, alpha=0.7, label='收盘价')
# 画均线
ax.plot(df.index, df['MA5'], color='#FF9800', linewidth=1.5, label='MA5')
ax.plot(df.index, df['MA20'], color='#2196F3', linewidth=1.5, label='MA20')
ax.plot(df.index, df['MA60'], color='#9C27B0', linewidth=1.5, label='MA60')
ax.set_title('价格与移动平均线', fontsize=16, fontweight='bold')
ax.set_xlabel('日期')
ax.set_ylabel('价格（元）')
ax.legend(loc='best')
ax.grid(True, alpha=0.3)
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax.xaxis.set_major_locator(mdates.MonthLocator())
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()个人经验：均线刚计算时，前N天是NaN值（比如MA5前4天没数据）。画图时Matplotlib会自动跳过这些点，但如果你要做策略回测，一定要处理好这些缺失值。我曾经因为没处理前几天的NaN，导致回测结果多算了几个点的收益——嗯，白高兴一场。
3.7 组合图：价格+成交量+均线
实战中，我们通常把价格和成交量放在同一张图里，上下排列，方便对照分析。
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 8),
gridspec_kw={'height_ratios': [3, 1]})
# 上图：价格和均线
ax1.plot(df.index, df['close'], color='#333333', linewidth=1, alpha=0.7, label='收盘价')
ax1.plot(df.index, df['MA5'], color='#FF9800', linewidth=1.5, label='MA5')
ax1.plot(df.index, df['MA20'], color='#2196F3', linewidth=1.5, label='MA20')
ax1.plot(df.index, df['MA60'], color='#9C27B0', linewidth=1.5, label='MA60')
ax1.set_title('价格走势与成交量分析', fontsize=16, fontweight='bold')
ax1.set_ylabel('价格（元）')
ax1.legend(loc='upper left')
ax1.grid(True, alpha=0.3)
# 下图：成交量
colors = ['#4CAF50' if c >= 0 else '#F44336' for c in df['change']]
ax2.bar(df.index, df['volume'], color=colors, alpha=0.7, width=0.8)
ax2.set_ylabel('成交量（手）')
ax2.set_xlabel('日期')
ax2.grid(True, alpha=0.3)
# 统一x轴格式
for ax in [ax1, ax2]:
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
ax.xaxis.set_major_locator(mdates.MonthLocator())
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()3.8 核心知识体系
我把这一章的核心逻辑画成了结构图，方便你理解各个知识点之间的关系。
3.9 常见问题与避坑
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 中文显示为方框 | 系统缺少中文字体 | 设置plt.rcParams['font.sans-serif']为系统可用字体 |
| 日期轴标签重叠 | 数据点太多，标签太密 | 使用mdates.MonthLocator()控制刻度间隔，旋转标签 |
| 均线前段缺失 | 滚动窗口导致NaN | 用dropna()处理，或从有数据的位置开始画 |
| 成交量颜色不对 | 第一天change为NaN | 手动设置第一天的颜色，或用fillna(0) |
重要提醒：可视化不是终点，而是起点。画完图之后，你要问自己三个问题：
- 数据有没有明显的异常点？
- 趋势是否清晰？有没有潜在的转折信号？
- 均线之间的关系如何？金叉还是死叉？
这三个问题想清楚了，再往下做模型才有意义。
好了，这一章的内容就到这里。可视化是基本功，但也是容易被忽视的一环。我个人觉得，把图画好，你的量化分析就成功了一半。剩下的，就是不断练习，直到形成肌肉记忆。