摘要：使用Python绘制价格反转图

我与反转图

我第一次了解到反转图，是在购买的交易书籍上看到的。 当时就被它直观的视觉方式惊呆了，感觉它在揭示趋势的延续和趋势的反转方面的能力，堪称一绝。

可惜，国内的交易平台，不论是股票还是期货平台，都不能展示反转图。 当时，我还没有学习过Python，甚至一点都不了解Python。 于是只能在文华财经和通达信里使劲折腾，费了极大的精力和功夫， 也不过弄了个凑乎能用的东西出来，距离真正的反转图还是差得太远。

再后来，开始做量化交易，了解到了一款国外的软件，叫MultiCharts，里面有自带的反转图。 可惜，MultiCharts把自带的反转图称为新价线，对反转图有了大概90%的还原度，也是勉强能用了。

为此，我不惜注册、开户，绑定了MultiCharts的账号。然后发现MultiCharts的问题是真多， 其指标的编写方式，直到现在我依旧不喜欢。其次，因为是外国的软件，用的人很少， 在网络上几乎搜索不到任何有用的资料。所以，如果你有编写一个稍微复杂些的指标，如果在某一步卡住了， 那么很抱歉，你可能会不得不停止了。当然，这些都不算什么，总归是可以克服的。 最后让我不得不放弃它的原因是，频繁掉线。

是的，频繁掉线！不论是白天还是夜盘，平均每隔一分钟就掉线一次。联系了MultiCharts的客服，反复检查， 还远程操作了我的电脑，也没能解决问题。同样的账号，登录其他的交易软件，如文华、博易云等都没有问题， 可以排除是期货公司的原因。

两个星期后，我终于还是放弃了。MultiCharts并不支持云端条件单，因此如果掉线，所有的下单指令都会失效。 这简直太可怕了！

举个例子：比如，我交易10手沥青，可能前10秒，还盈利5000，但是因为掉线， 导致平仓慢了那么几秒，就从浮盈5000变成了浮亏5000。这损失难道MultiCharts会赔我吗？

你叫我怎么用？怎么能用？又怎么敢用？ 所以，我最终还是和MultiCharts说了再见！

后来，因为接触到量化交易，于是学习了Python，从此打开了量化交易的另一扇门，进入了新的世界！

以上，是为缘起。

不多言，我们一起来看下反转图的魅力吧！

—————————————————————–

首先,导入必要的模块!

# 导入K线和指标绘制模块 from MyKlines import * # 系统模块，用于自动打开文件 import os

然后，我们获取股票的数据。

之前的文章有讲过怎么获取免费的股票数据，这里就不再重复了。 这里，我们选择凯莱英来作为示例。

data = get_data(code="sz.002821", start_date="2020-09-01", end_date="2021-05-29", frequency="d", adjust='2')

获取到的数据如下所示

 open close high low volume 2020-09-01 273.89 273.00 276.50 267.00 1658140 2020-09-02 272.99 270.00 273.99 268.30 1726549 2020-09-03 270.76 272.70 279.77 269.08 1778923 2020-09-04 267.30 267.68 271.97 262.80 2368819 2020-09-07 263.50 247.95 270.47 247.07 3500664 ... ... ... ... ... ... 2021-05-24 362.94 365.00 365.76 351.00 1561655 2021-05-25 363.48 369.13 371.00 362.13 2050934 2021-05-26 367.10 366.31 369.60 361.00 1321955 2021-05-27 366.35 366.66 370.80 358.00 1173571 2021-05-28 367.02 357.02 371.11 350.21 2582885 [178 rows x 5 columns] 

下面就是绘制反转图了。

这里，我们用到kbreak()函数,相关的参数如下所示：

• ---

• 参数：
• ax：绘图的区域
• data：pandas数据：包括时间和价格
• n=3, 反转的柱体
• width：float格式，柱体的宽度
• edgecolor_up=’red’, 上涨的边框颜色
• facecolor_up=’white’, 上涨的填充颜色
• edgecolor_down=’green’, 下跌的边框颜色
• facecolor_down=’green’, 下跌的填充颜色
• count_show=False, 是否显示趋势计数
• grid_show=True, 是否显示网格

• ---

# 设置画布 fig = plt.figure(figsize=(12, 9), dpi=300) # 添加绘图区域 ax = fig.add_subplot(111)

先来个三线反转图

默认的反转图，上涨趋势是红色空心的，下跌趋势是绿色实心的。

# 画反转图 kbreak(ax, data, grid_show=False) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

也可以改成都是实心的柱体，柱体的颜色都是可以随意调整的，改为自己喜欢的颜色即可。

# 画图前清除绘图区域 plt.cla() kbreak( ax, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 width=0.5, # 柱体的宽度 edgecolor_up='red', # 上涨的边框颜色 facecolor_up='red', # 上涨的填充颜色 edgecolor_down='green', # 下跌的边框颜色 facecolor_down='green', # 下跌的填充颜色 count_show=False, # 是否显示趋势计数 draw_start=0, # 为了避免缺失值，从哪一项开始绘制 grid_show=False, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

为了更好地观察和对比价格，我们可以为反转图添加网格。

# 画图前清除绘图区域 plt.cla() kbreak( ax, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 facecolor_up='red', # 上涨的填充颜色 grid_show=True, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

为了更明显地展示趋势的延续情况，可以在柱体上添加趋势的计数。

# 画图前清除绘图区域 plt.cla() kbreak( ax, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 facecolor_up='red', # 上涨的填充颜色 count_show=True, # 是否显示趋势计数 grid_show=True, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

反转图的特点，就是可以过滤掉震荡，把握住每一次的趋势。

如果不反转就不清仓，那么就绝不会过早止盈，从而提高盈亏比，吃掉趋势的绝大部分利润。 利用反转图，我们可以清楚地看到趋势的发展情况。 趋势是刚开始？还是已经延续了一段时间？趋势反转了吗？ 关于趋势的问题，没有必反转图更好的可视化工具了！

我是真的太喜欢反转图了！

我们还可以调大反转图的反转参数，过滤掉一些较小的震荡。

比如，从三线反转，调整为六线反转，我们来看一下凯莱英的六线反转图：

data2 = get_data(code="sz.002821", start_date="2020-01-01", end_date="2021-05-29", frequency="d", adjust='2') # 画图前清除绘图区域 plt.cla() kbreak( ax, #绘图的区域 data2, # 绘图数据，包括时间和价格 n=6, #反转的柱体 facecolor_up='red', # 上涨的填充颜色 count_show=True, # 是否显示趋势计数 grid_show=False, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

日线的数据+六线反转，适用于揭示长期的趋势。

就凯莱英的六线反转图而言，趋势十分明显，就一个字，涨!

当然，我们也是可以把反转图用于更小的周期。

比如60分钟、15分钟，乃至tick数据都没有任何问题。

还是凯莱英，我们使用60分钟数据，看下它的近期走势如何。

data3 = get_data(code="sz.002821", start_date="2021-01-01", end_date="2021-05-29", frequency="60", adjust='2') # 画图前清除绘图区域 plt.cla() kbreak( ax, #绘图的区域 data3, # 绘图数据，包括时间和价格 n=3, #反转的柱体 facecolor_up='red', # 上涨的填充颜色 count_show=True, # 是否显示趋势计数 grid_show=False, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

把各个周期和不同反转柱体的反转图画到一起

为了更好地比较，我们可以把日线和分钟数据的反转图，画到一起。

# 画图前清除画布 plt.clf() ax1 = fig.add_subplot(211) ax2 = fig.add_subplot(212) kbreak( ax1, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 facecolor_up='r', # 上涨的填充颜色 grid_show=False, # 是否显示网格 ) ax1.set_title('凯莱英三线反转图(日线) 2020-09-01至2021-05-29') kbreak( ax2, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 facecolor_up='r', # 上涨的填充颜色 grid_show=False, # 是否显示网格 ) ax2.set_title('凯莱英三线反转图(60分钟) 2021-01-01至2021-05-29') # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

顺便提一下，我发现其他颜色和风格的反转图，也是很酷！

# 画图前清除画布 plt.clf() ax1 = fig.add_subplot(221) ax2 = fig.add_subplot(222) ax3 = fig.add_subplot(223) ax4 = fig.add_subplot(224) kbreak( ax1, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 draw_start=60, edgecolor_up='r', # 上涨的边框颜色 facecolor_up='w', # 上涨的填充颜色 edgecolor_down='g', # 下跌的边框颜色 facecolor_down='g', # 下跌的填充颜色 grid_show=False, # 是否显示网格 ) ax1.set_title('凯莱英三线反转图(日线) 2020-09-01至2021-05-29') kbreak( ax2, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 draw_start=60, edgecolor_up='g', # 上涨的边框颜色 facecolor_up='g', # 上涨的填充颜色 edgecolor_down='r', # 下跌的边框颜色 facecolor_down='r', # 下跌的填充颜色 grid_show=False, # 是否显示网格 ) kbreak( ax3, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 draw_start=60, edgecolor_up='k', # 上涨的边框颜色 facecolor_up='w', # 上涨的填充颜色 edgecolor_down='k', # 下跌的边框颜色 facecolor_down='k', # 下跌的填充颜色 grid_show=False, # 是否显示网格 ) kbreak( ax4, #绘图的区域 data, # 绘图数据，包括时间和价格 n=3, #反转的柱体 draw_start=60, edgecolor_up='r', # 上涨的边框颜色 facecolor_up='r', # 上涨的填充颜色 edgecolor_down='b', # 下跌的边框颜色 facecolor_down='b', # 下跌的填充颜色 grid_show=False, # 是否显示网格 ) # 调整图片的边缘空白大小，取值0-1. # 注意：right > left, top > bottom plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) 

• 随便写了下，就是几个小时过去了。
• 分享这东西，实在是太费时间了。
• 我忍不住又问，我为什么要分享给你们呢？
• 我自己一个人悄悄地割韭菜，不亦悦乎？
• 想了想，或许是我希望遇到更多的志同道合者？
• 毕竟，如我这般，以交易为生者，在中国、乃至全世界，都是极少数、极少数的。
• 欢迎在评论区留下你的见解，我期待与你一起交流！