

> 本文你将得到什么：
> 1. 纯手工计算 OBV（能量潮指标）
> 2. 一个 10 行的"量价配合度"粗检脚本
> 3. 滑动窗口扫描顶背离 / 底背离
> 4. 双面板可视化（价格 + OBV）
> 5. 可运行的完整代码

---

## 痛点：价格在涨，钱在跑

K 线不断创新高，你满心欢喜拿住，结果一波急跌把利润全部吐回去。事后复盘发现：上涨的后半段成交量一直在萎缩——**价格还在涨，买盘的力量早就跟不上了**。

这就是"量价背离"。肉眼在图上找背离太主观，本文用 OBV 把它变成一条可以计算的曲线，再用代码自动扫描背离点。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拉取数据

```python
from mairui import Client

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

import pandas as pd
df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date"})
df = df.sort_values("date").reset_index(drop=True)
for col in ("o", "h", "l", "c", "v"):
    df[col] = df[col].astype(float)
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：手工计算 OBV

OBV（On-Balance Volume，能量潮）的逻辑非常朴素：

1. 今天收盘比昨天高 -> OBV 加上今天的成交量
2. 今天收盘比昨天低 -> OBV 减去今天的成交量
3. 平盘 -> OBV 不变

它把成交量按涨跌方向"记账"，得到一条资金流向的累计曲线。

```python
def calc_obv(df):
    obv = [0]
    for i in range(1, len(df)):
        if df["c"].iloc[i] > df["c"].iloc[i - 1]:
            obv.append(obv[-1] + df["v"].iloc[i])
        elif df["c"].iloc[i] < df["c"].iloc[i - 1]:
            obv.append(obv[-1] - df["v"].iloc[i])
        else:
            obv.append(obv[-1])
    return pd.Series(obv, index=df.index)

df["obv"] = calc_obv(df)
print(f"OBV 终点: {df['obv'].iloc[-1]:.0f}")
print(f"期间价格涨幅: {(df['c'].iloc[-1] / df['c'].iloc[0] - 1) * 100:+.2f}%")
```

**输出示例**：

```
OBV 终点: -1527988
期间价格涨幅: -5.89%
```

OBV 为负且价格下跌：下跌的日子里卖压占优，量价方向一致。

---

## 第三步：量价配合度粗检

在扫描背离之前，先做一个 10 行的快速体检：看最近 10 日价格斜率和 OBV 斜率是否同向。

```python
import numpy as np

def slope(series, window=10):
    y = series[-window:]
    x = np.arange(window)
    return float(np.polyfit(x, y, 1)[0])

p_slope = slope(df["c"].values) / df["c"].iloc[-1] * 1000
o_slope = slope(df["obv"].values) / (df["obv"].std() + 1e-9)
print(f"最近10日价格斜率(千分位): {p_slope:+.3f}")
print(f"最近10日OBV斜率(归一): {o_slope:+.3f}")

if p_slope > 0 and o_slope < 0:
    print("价涨量缩 -> 警惕量价背离")
```

**输出示例**：

```
最近10日价格斜率(千分位): +2.729
最近10日OBV斜率(归一): -0.248
价涨量缩 -> 警惕量价背离
```

价格还在往上走，OBV 已经掉头向下——这正是需要进一步确认的背离形态。

---

## 第四步：滑动窗口扫描背离

定义（窗口 = 5 日）：

- **顶背离**：价格斜率向上（在涨），OBV 斜率向下（量能撤退）
- **底背离**：价格斜率向下（在跌），OBV 斜率向上（有人接货）

两个斜率都做了归一化（价格按千分位、OBV 按波动幅度），并设置阈值过滤噪声，同类信号 5 天内只报一次。

```python
def find_divergence(df, window=5):
    signals = []
    for i in range(window, len(df)):
        p = slope(df["c"].values[i - window:i + 1], window) / df["c"].iloc[i] * 1000
        o = slope(df["obv"].values[i - window:i + 1], window) / (df["obv"].std() + 1e-9)
        if p > 0.5 and o < -0.02:
            signals.append((i, df["date"].iloc[i], "top", df["c"].iloc[i]))
        elif p < -0.5 and o > 0.02:
            signals.append((i, df["date"].iloc[i], "bottom", df["c"].iloc[i]))
    # 去重：同类信号间隔 < 5 天只保留第一个
    dedup = []
    for s in signals:
        if dedup and s[2] == dedup[-1][2] and s[0] - dedup[-1][0] < 5:
            continue
        dedup.append(s)
    return dedup

signals = find_divergence(df)
top = [s for s in signals if s[2] == "top"]
bottom = [s for s in signals if s[2] == "bottom"]
print(f"顶背离: {len(top)} 次, 底背离: {len(bottom)} 次")
for s in signals:
    tag = "顶背离" if s[2] == "top" else "底背离"
    print(f"{s[1]} {tag} @ {s[3]:.2f}")
```

**输出示例**：

```
顶背离: 3 次, 底背离: 4 次
2025-09-24 底背离 @ 10.35
2025-10-09 顶背离 @ 10.82
2025-10-27 底背离 @ 10.61
2025-11-04 顶背离 @ 11.67
2025-11-11 底背离 @ 10.98
2025-11-19 底背离 @ 11.28
2025-11-24 顶背离 @ 11.02
```

注意 11 月中下旬：连续出现两次底背离之后跟了一次顶背离——量能先于价格转向的痕迹，在演示数据里也能看到完整的"分歧到一致"过程。

---

## 第五步：双面板可视化

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True)
x = range(len(df))

ax1 = axes[0]
ax1.plot(x, df["c"], color="black", linewidth=0.8, label="收盘价")
for s in top:
    ax1.scatter([s[0]], [s[3]], color="red", marker="v", s=110, label="顶背离")
for s in bottom:
    ax1.scatter([s[0]], [s[3]], color="green", marker="^", s=110, label="底背离")
ax1.set_title("价格与量价背离信号")
ax1.legend()
ax1.grid(True, alpha=0.3)

ax2 = axes[1]
ax2.plot(x, df["obv"], color="blue", linewidth=1, label="OBV")
ax2.set_title("OBV 能量潮")
ax2.legend()
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.savefig("obv_divergence.png", dpi=150)
```

上下两个面板共享 x 轴，对照着看：价格新高附近 OBV 是否同步新高，背离一目了然。

---

## 常见坑与注意

1. **OBV 只看收盘涨跌**：长上影但收盘微跌的日子，OBV 也会记一笔"流出"。它衡量方向，不衡量幅度。
2. **阈值是双刃剑**：阈值太松满屏都是背离，太紧一年没几个信号。本文的 0.5/0.02 是演示值，真实数据上要按品种波动率重新标定。
3. **背离是"减速提醒"，不是"反转指令"**：背离之后价格可能继续原方向运行很久，务必等价格自身也确认转向。
4. **演示数据 vs 真实数据**：本文用演示证书跑通逻辑，数据为确定性演示序列；换正式证书后即为真实行情，代码无需修改。

---

## 小结

本文完成了：
- 手工计算 OBV 能量潮
- 量价配合度 10 行粗检
- 滑动窗口自动扫描顶/底背离
- 双面板可视化

核心观点：**成交量先于价格表态，OBV 把"量"变成和"价"同一条时间轴上的曲线，背离才可计算**。下一篇是本系列收官：把均线、MACD、KDJ、布林带四个指标拼成一个打分矩阵，做一个多指标共振确认系统。

---

## 免责声明

本文仅为技术教学，不构成任何投资建议。投资有风险，入市需谨慎。

---

*代码与文档：https://github.com/MaiRuiApi*


K 线不断创新高，你满心欢喜拿住，结果一波急跌把利润全部吐回去。事后复盘发现：上涨的后半段成交量一直在萎缩——价格还在涨，买盘的力量早就跟不上了。

【Python量化技术指标实战 05】量价背离怎么量化？OBV与量价关系的Python实现

编程语言

本文实现纯手工计算OBV能量潮指标，通过10行量价配合度粗检脚本与滑动窗口扫描，自动捕捉顶底背离信号，配合双面板可视化展示。提供可运行完整代码，解决价格创新高但量能萎缩的背离识别难题，适合量化交易者快速检测资金流向异常。

代码解释

GitHub

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

【Python量化技术指标实战 05】量价背离怎么量化？OBV与量价关系的Python实现-腾讯云开发者社区-腾讯云

【Python量化技术指标实战 05】量价背离怎么量化？OBV与量价关系的Python实现

【Python量化技术指标实战 05】量价背离怎么量化？OBV与量价关系的Python实现

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