威科夫的重要的法则就是努力有果则趋势可能延续；努力无果可能价格就要停滞或者反转；所以本文把价量合起来考虑；


为了将“成交量潮汐”因子与威科夫的“努力与结果”概念结合，并进行状态分类（努力有果、努力无果），我们需要对每个交易日的潮汐事件计算“努力”（成交量）和“结果”（价格变动），然后基于历史百分位进行分类。以下是实现步骤和代码示例。

步骤概述
数据准备：需要分钟级别的数据，包括每分钟的收盘价和成交量。

计算领域成交量：对于每个分钟，计算其前后4分钟（共9分钟）的成交量总和。

找到潮汐时刻：识别顶峰时刻t、涨潮时刻m和退潮时刻n。

计算努力和结果：

努力（E）：从m到n的总成交量。

结果（R）：从m到n的价格变动百分比，即(C_n - C_m) / C_m。

计算历史百分位：对于每个交易日的E和R，计算过去N天（例如60天）的百分位。

状态分类：

努力无果：E的百分位 > 0.7 且 R的百分位 < 0.3

努力有果：E的百分位 > 0.7 且 R的百分位 > 0.7

中性：其他情况

这个是按照每天来进行计算的，不是高频的模式，我们需要调整到每天有多个潮汐。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

设置中文字体

plt.rcParams[‘font.sans-serif’] = [‘SimHei’, ‘Microsoft YaHei’]
plt.rcParams[‘axes.unicode_minus’] = False
chinese_font = FontProperties(fname=r’C:\Windows\Fonts\simhei.ttf’)

确保数据已按时间排序

df = df.sort_index()

计算收益率（价格变动）

df[‘returns’] = df[‘close’].pct_change()

计算滚动分位数（288根K线，即一天的数据）

df[‘volume_percentile’] = df[‘volume’].rolling(window=288).apply(
lambda x: pd.Series(x).rank(pct=True).iloc[-1], raw=False
)

df[‘returns_percentile’] = df[‘returns’].rolling(window=288).apply(
lambda x: pd.Series(x).rank(pct=True).iloc[-1], raw=False
)

定义状态分类函数

def classify_state(row):
if pd.isna(row[‘volume_percentile’]) or pd.isna(row[‘returns_percentile’]):
return ‘中性’

# 高成交量（分位数 > 0.8）
if row['volume_percentile'] > 0.8:
    # 价格上涨有果（高成交量 + 高正收益）
    if row['returns_percentile'] > 0.8 and row['returns'] > 0:
        return '上涨有果'
    # 价格下跌有果（高成交量 + 高负收益）
    elif row['returns_percentile'] < 0.2 and row['returns'] < 0:
        return '下跌有果'
    # 努力无果（高成交量但价格变动不大）
    elif row['returns_percentile'] < 0.2 and row['returns'] > 0:
        return '努力无果（上涨乏力）'
    elif row['returns_percentile'] > 0.8 and row['returns'] < 0:
        return '努力无果（下跌乏力）'

return '中性'

应用状态分类

df[‘state’] = df.apply(classify_state, axis=1)

获取最后288根K线（一天的数据）

last_288 = df.tail(288).copy()

状态到颜色映射

state_colors = {
‘上涨有果’: ‘green’,
‘下跌有果’: ‘red’,
‘努力无果（上涨乏力）’: ‘orange’,
‘努力无果（下跌乏力）’: ‘purple’,
‘中性’: ‘gray’
}

创建图形

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(16, 12))

第一个子图：价格走势（根据状态着色）

for state, color in state_colors.items():
mask = last_288[‘state’] == state
if mask.any():
ax1.scatter(last_288.index[mask], last_288[‘close’][mask],
color=color, s=30, alpha=0.8, label=state)

连接价格线（灰色背景线）

ax1.plot(last_288.index, last_288[‘close’], color=‘gray’, alpha=0.3, linewidth=1)
ax1.set_title(‘最后288根5分钟K线价格走势（按状态着色）’, fontproperties=chinese_font, fontsize=14)
ax1.set_ylabel(‘价格’, fontproperties=chinese_font)
ax1.grid(True, alpha=0.3)
ax1.legend()

第二个子图：成交量

ax2.bar(last_288.index, last_288[‘volume’], color=‘blue’, alpha=0.7)
ax2.set_title(‘成交量’, fontproperties=chinese_font, fontsize=14)
ax2.set_ylabel(‘成交量’, fontproperties=chinese_font)
ax2.grid(True, alpha=0.3)

第三个子图：状态分布统计

state_counts = last_288[‘state’].value_counts()
state_percentages = state_counts / state_counts.sum() * 100
colors = [state_colors.get(state, ‘gray’) for state in state_percentages.index]

bars = ax3.bar(state_percentages.index, state_percentages.values, color=colors, alpha=0.7)
ax3.set_title(‘状态分布统计 (%)’, fontproperties=chinese_font, fontsize=14)
ax3.set_ylabel(‘占比 (%)’, fontproperties=chinese_font)
ax3.tick_params(axis=‘x’, rotation=45)

在柱状图上添加数值标签

for bar, percentage in zip(bars, state_percentages.values):
height = bar.get_height()
ax3.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f’{percentage:.1f}%', ha=‘center’, va=‘bottom’)

ax3.grid(True, alpha=0.3, axis=‘y’)

plt.tight_layout()
plt.show()

输出统计信息

print(“最后288根K线（一天）的状态统计:”)
print(“=” * 50)
for state, count in state_counts.items():
percentage = (count / len(last_288)) * 100
print(f"{state}: {count}次 | {percentage:.1f}%")

print(f"\n最近10个状态变化:“)
print(”=" * 50)
recent_data = last_288[[‘close’, ‘volume’, ‘returns’, ‘volume_percentile’, ‘returns_percentile’, ‘state’]].tail(10)
print(recent_data)

收录到《AI驱动下的高频因子挖掘》之大威天龙操盘法。