# 大盘到底强不强？用 Python 做一个市场温度计

很多人判断市场强弱，习惯看指数：上证指数涨了，觉得行情不错；创业板跌了，觉得市场很差。

但指数有一个问题：它是少数权重股共同影响的结果。指数上涨，不代表大多数股票都在涨；指数下跌，也不代表没有结构性机会。

更好的办法是看市场广度，也就是回答几个更细的问题：

1. 全市场有多少股票上涨？
2. 有多少股票涨幅超过 3%？
3. 有多少股票跌幅超过 3%？
4. 多少股票站上 20 日均线？
5. 成交额集中在少数股票，还是扩散到更多标的？

这篇文章用 AlphaFeed 写一个“市场温度计”：拉取全市场实时行情，再结合历史 K 线计算广度指标，输出一个简单但很有用的市场状态报告。

## 1. 为什么只看指数不够

假设某一天沪深 300 涨了 1%，你可能会觉得市场很强。

但真实情况可能有三种：

| 情况 | 市场含义 |
| --- | --- |
| 大多数股票上涨，指数也上涨 | 普涨，赚钱效应较好 |
| 少数权重股上涨，很多小票下跌 | 指数强，个股弱 |
| 指数小涨，但涨停家数很多 | 结构性行情活跃 |

如果只看指数，这三种情况会被混在一起。

所以做交易和研究时，我更喜欢看“市场内部结构”：上涨家数、下跌家数、强势股比例、弱势股比例、均线以上比例、成交额分布。

这些指标不神秘，Python 几十行代码就能算出来。关键是你需要一个能方便拿到全市场行情的数据源。

## 2. 用 AlphaFeed 获取全市场实时行情

安装：

```bash
pip install alphafeed pandas
```

初始化：

```python
from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")
```

也可以用环境变量：

```bash
export ALPHAFEED_API_KEY="your-api-key"
```

然后代码里直接：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()
```

获取全部 A 股实时行情：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

quotes = af.quotes.get(universes=["CN_Stock"], to_dataframe=True)

print(len(quotes))
print(quotes[["symbol", "last_price", "prev_close", "volume", "amount", "ext.name", "ext.change_pct"]].head())
```

AlphaFeed 支持的标的池包括：

| 标的池 | 含义 |
| --- | --- |
| `CN_Stock` | A 股 |
| `CN_ETF` | ETF |
| `US_Stock` | 美股 |
| `HK_Stock` | 港股 |

这意味着你可以用同样的方法做 A 股市场温度计、ETF 市场温度计、美股观察面板或港股观察面板。

## 3. 计算最基础的市场广度

先计算上涨、下跌、平盘数量：

```python
def calc_basic_breadth(quotes):
    df = quotes.copy()
    change_pct = df["ext.change_pct"]

    total = len(df)
    up = int((change_pct > 0).sum())
    down = int((change_pct < 0).sum())
    flat = total - up - down

    return {
        "total": total,
        "up": up,
        "down": down,
        "flat": flat,
        "up_ratio": up / total if total else 0,
        "down_ratio": down / total if total else 0,
    }
```

打印结果：

```python
breadth = calc_basic_breadth(quotes)

print(f"全市场标的数: {breadth['total']}")
print(f"上涨家数: {breadth['up']} ({breadth['up_ratio']:.1%})")
print(f"下跌家数: {breadth['down']} ({breadth['down_ratio']:.1%})")
print(f"平盘家数: {breadth['flat']}")
```

这个指标很简单，但已经比只看指数多了一层信息。

比如指数涨 0.5%，但上涨家数只有 25%，那说明行情可能只是权重股在撑指数。反过来，指数跌 0.3%，但上涨家数超过 60%，说明市场内部可能并不弱。

## 4. 计算强势股和弱势股比例

再定义几个阈值：

```python
def calc_strength_distribution(quotes):
    df = quotes.copy()
    change_pct = df["ext.change_pct"]

    return {
        "rise_gt_3pct": int((change_pct >= 0.03).sum()),
        "rise_gt_5pct": int((change_pct >= 0.05).sum()),
        "fall_gt_3pct": int((change_pct <= -0.03).sum()),
        "fall_gt_5pct": int((change_pct <= -0.05).sum()),
    }
```

这些指标可以粗略判断赚钱效应：

| 指标 | 含义 |
| --- | --- |
| 涨幅超 3% 家数 | 主动进攻力量 |
| 涨幅超 5% 家数 | 强势股扩散程度 |
| 跌幅超 3% 家数 | 风险释放范围 |
| 跌幅超 5% 家数 | 恐慌程度 |

很多时候，大盘指数涨跌不大，但强势股数量会提前变化。市场温度计的价值就在这里：它不是预测明天，而是更客观地描述今天。

## 5. 找出成交额最高的股票

成交额代表市场注意力。我们可以看资金主要集中在哪里：

```python
top_amount = quotes.sort_values("amount", ascending=False).head(20)

print(
    top_amount[[
        "symbol",
        "ext.name",
        "last_price",
        "ext.change_pct",
        "amount",
    ]]
)
```

如果每天成交额前 20 名都是少数权重股，说明市场可能偏指数行情；如果成交额扩散到很多中小市值股票，说明市场活跃度可能更高。

当然，AlphaFeed 这里只提供行情数据，不替你判断行业主题。你可以把成交额榜导出后，再结合自己的行业分类或观察列表做进一步分析。

## 6. 加入 20 日均线以上比例

实时行情能告诉我们今天涨跌，但判断趋势还需要历史 K 线。

我们可以抽取成交额较高的一批股票，计算有多少站上 20 日均线：

```python
active_symbols = (
    quotes.sort_values("amount", ascending=False)
    .head(300)["symbol"]
    .tolist()
)

dfs = af.klines.batch(
    active_symbols,
    period="1d",
    count=60,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)
```

计算比例：

```python
def calc_above_ma20_ratio(dfs):
    total = 0
    above = 0

    for symbol, df in dfs.items():
        df = df.sort_values("trade_date").copy()
        if len(df) < 20:
            continue

        ma20 = df["close"].rolling(20).mean().iloc[-1]
        close = df["close"].iloc[-1]

        if pd.isna(ma20):
            continue

        total += 1
        if close > ma20:
            above += 1

    return above / total if total else 0
```

使用：

```python
above_ma20_ratio = calc_above_ma20_ratio(dfs)
print(f"活跃股票中站上20日线比例: {above_ma20_ratio:.1%}")
```

这个指标很适合做市场温度判断：

| 20 日线以上比例 | 粗略状态 |
| --- | --- |
| 70% 以上 | 市场较热 |
| 50% - 70% | 偏强或震荡偏强 |
| 30% - 50% | 震荡偏弱 |
| 30% 以下 | 市场较冷 |

阈值只是经验，不要机械使用。不同市场、不同时期都需要校准。

## 7. 输出一份市场温度报告

把上面的部分合起来：

```python
import pandas as pd
from datetime import datetime
from alphafeed import AlphaFeed


def calc_basic_breadth(quotes):
    change_pct = quotes["ext.change_pct"]
    total = len(quotes)
    up = int((change_pct > 0).sum())
    down = int((change_pct < 0).sum())
    flat = total - up - down
    return total, up, down, flat


def calc_strength_distribution(quotes):
    change_pct = quotes["ext.change_pct"]
    return {
        "rise_gt_3pct": int((change_pct >= 0.03).sum()),
        "rise_gt_5pct": int((change_pct >= 0.05).sum()),
        "fall_gt_3pct": int((change_pct <= -0.03).sum()),
        "fall_gt_5pct": int((change_pct <= -0.05).sum()),
    }


def calc_above_ma20_ratio(dfs):
    total = 0
    above = 0
    for _, df in dfs.items():
        df = df.sort_values("trade_date").copy()
        if len(df) < 20:
            continue
        ma20 = df["close"].rolling(20).mean().iloc[-1]
        close = df["close"].iloc[-1]
        if pd.isna(ma20):
            continue
        total += 1
        above += int(close > ma20)
    return above / total if total else 0


def market_temperature_label(up_ratio, above_ma20_ratio, weak_count):
    if up_ratio >= 0.65 and above_ma20_ratio >= 0.6:
        return "偏热"
    if up_ratio >= 0.5 and above_ma20_ratio >= 0.45:
        return "偏强"
    if up_ratio <= 0.35 or weak_count > 500:
        return "偏冷"
    return "震荡"


def build_market_report(universe="CN_Stock"):
    af = AlphaFeed()

    quotes = af.quotes.get(universes=[universe], to_dataframe=True)
    quotes = quotes.dropna(subset=["ext.change_pct", "amount"])

    total, up, down, flat = calc_basic_breadth(quotes)
    dist = calc_strength_distribution(quotes)

    active_symbols = (
        quotes.sort_values("amount", ascending=False)
        .head(300)["symbol"]
        .tolist()
    )
    dfs = af.klines.batch(
        active_symbols,
        period="1d",
        count=60,
        adjust="forward",
        to_dataframe=True,
        show_progress=True,
    )
    above_ma20_ratio = calc_above_ma20_ratio(dfs)

    up_ratio = up / total if total else 0
    label = market_temperature_label(
        up_ratio,
        above_ma20_ratio,
        dist["fall_gt_3pct"],
    )

    top_amount = quotes.sort_values("amount", ascending=False).head(10)

    lines = []
    lines.append(f"# 市场温度计 {datetime.now():%Y-%m-%d %H:%M}")
    lines.append("")
    lines.append(f"- 标的池：{universe}")
    lines.append(f"- 市场状态：{label}")
    lines.append(f"- 上涨家数：{up} / {total} ({up_ratio:.1%})")
    lines.append(f"- 下跌家数：{down} / {total} ({down / total:.1%})")
    lines.append(f"- 平盘家数：{flat}")
    lines.append(f"- 涨幅超过 3%：{dist['rise_gt_3pct']}")
    lines.append(f"- 涨幅超过 5%：{dist['rise_gt_5pct']}")
    lines.append(f"- 跌幅超过 3%：{dist['fall_gt_3pct']}")
    lines.append(f"- 跌幅超过 5%：{dist['fall_gt_5pct']}")
    lines.append(f"- 活跃股票站上 20 日线比例：{above_ma20_ratio:.1%}")
    lines.append("")
    lines.append("## 成交额 Top 10")
    lines.append("")
    lines.append(top_amount[["symbol", "ext.name", "last_price", "ext.change_pct", "amount"]].to_markdown(index=False))
    lines.append("")
    lines.append("数据来源：AlphaFeed (https://alphafeed.org/)")

    return "\n".join(lines)


if __name__ == "__main__":
    report = build_market_report("CN_Stock")
    print(report)

    with open("market-temperature.md", "w", encoding="utf-8") as f:
        f.write(report)
```

如果需要 `to_markdown`，安装：

```bash
pip install tabulate
```

## 8. 这个报告怎么读

你可以每天收盘后生成一次报告，然后观察几个核心变化：

| 指标 | 观察重点 |
| --- | --- |
| 上涨家数比例 | 市场赚钱效应是否扩散 |
| 跌幅超过 3% 家数 | 风险释放是否扩大 |
| 活跃股站上 20 日线比例 | 趋势是否健康 |
| 成交额 Top 10 | 资金是否集中在少数权重股 |
| 市场状态标签 | 给自己一个快速摘要 |

不要把它当成买卖信号。它更像天气预报里的温度和湿度：告诉你环境如何，但不会替你决定今天穿哪件衣服。

交易决策仍然要结合你的策略、仓位、风险承受能力和交易计划。

## 9. 扩展到 ETF、美股、港股

如果你想看 ETF 市场：

```python
report = build_market_report("CN_ETF")
```

如果你想看美股：

```python
report = build_market_report("US_Stock")
```

如果你想看港股：

```python
report = build_market_report("HK_Stock")
```

跨市场统一接口的好处在这里会非常明显。你的市场温度计逻辑不用重写，只要换一个标的池 ID，就可以观察不同市场。

当然，不同市场的交易制度、涨跌幅分布、成交结构都不一样，所以阈值不要照搬。比如 A 股和美股的单日波动结构不同，`涨幅超过 3%` 在不同市场里的含义也不同。

## 10. 可以继续做成一个 Dashboard

这篇文章输出的是 Markdown 报告。如果你想更进一步，可以做成网页看板：

1. 用 Streamlit 显示市场温度；
2. 用 Plotly 画上涨/下跌比例柱状图；
3. 每 5 分钟刷新一次实时行情；
4. 保存每日市场温度到 CSV；
5. 画出市场温度历史曲线；
6. 给极端冷/热状态加提醒。

你甚至可以让 AI 编程工具帮你改：

```text
请基于这个 AlphaFeed 市场温度计脚本，帮我改成 Streamlit Dashboard：
1. 页面顶部显示市场状态标签；
2. 显示上涨/下跌/平盘数量；
3. 显示涨幅超过 3%、跌幅超过 3% 的数量；
4. 显示成交额 Top 20 表格；
5. 支持在侧边栏选择 CN_Stock、CN_ETF、US_Stock、HK_Stock。
```

这种需求非常适合 AlphaFeed + AI 编程：AlphaFeed 提供结构化数据，AI 帮你快速搭界面，你把注意力放在指标设计和结果解释上。

## 11. 为什么这是一个适合普通人的量化工具

很多人一听量化，就觉得一定要机器学习、深度学习、高频交易。其实不是。

对大多数个人投资者和研究者来说，更实用的量化工具往往是：

1. 自动整理市场信息；
2. 用固定规则减少主观情绪；
3. 长期记录市场状态；
4. 用数据验证自己的感觉；
5. 在风险变大时及时降温。

市场温度计就是这样的工具。它不复杂，但每天都能用。

当你觉得“今天市场好像很强”时，可以看上涨家数比例；当你觉得“指数没跌多少，但账户很难受”时，可以看跌幅超过 3% 的家数；当你觉得“是不是该加仓”时，可以先看活跃股票站上 20 日线的比例。

它不能替你赚钱，但能帮你少一点拍脑袋。

## 结语

判断市场强弱，不应该只盯着指数涨跌。指数是结果，市场广度才更接近交易者真实体感。

用 AlphaFeed，你可以用几行 Python 拿到全市场实时行情，再结合历史 K 线计算自己的市场温度指标。这个过程没有玄学，也不需要复杂模型，核心就是把“感觉”变成“可重复观察的数据”。

如果你正在搭建自己的量化工作流，可以从这个市场温度计开始：每天生成一份报告，持续记录，慢慢你会对市场状态有更稳定的判断。

参考文献：
- AlphaFeed 文档：https://docs.alphafeed.org/

很多人判断市场强弱，习惯看指数：上证指数涨了，觉得行情不错；创业板跌了，觉得市场很差。

大盘到底强不强？用 Python 做一个市场温度计

编程语言

用Python打造市场温度计，突破指数局限！通过AlphaFeed获取全市场数据，计算上涨家数、强势股比例、20日均线突破等指标，客观判断市场真实强弱。代码简洁高效，支持A股、ETF、美股等多市场分析，助你摆脱指数误导，把握真实市场脉搏。

结构化数据

机器学习

深度学习

Python

腾讯云BI新客户首次购买9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

大盘到底强不强？用 Python 做一个市场温度计-腾讯云开发者社区-腾讯云

大盘到底强不强？用 Python 做一个市场温度计

大盘到底强不强？用 Python 做一个市场温度计

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐