OBV 主要计算累积成交量，将股价上涨的成交量进行正累加，股价下跌时的成交量进行负向累加。其计算公式为：

O B V n = ± V n + O B V n ? 1 \displaystyle OBV_n=\pm V_n + OBV_{n-1} OBVn?=±Vn?+OBVn?1?

其中，OBVn 和 OBVn-1 分别是本期和前一期的 OBV 值，而 Vn 则是当日的成交量。

• 当本期股价上涨，Vn 的符号为正， O B V n = O B V n ? 1 + V n \displaystyle OBV_n=OBV_{n-1}+V_n OBVn?=OBVn?1?+Vn?

• 当本期股价下跌，Vn 的符号为负， O B V n = O B V n ? 1 ? V n \displaystyle OBV_n=OBV_{n-1}-V_n OBVn?=OBVn?1??Vn?

以东方雨虹为例，计算 OBV。Python 代码如下：

import matplotlib.pyplot as plt

difClose = df.Close.diff()

difClose[0] = 0

OBV = (((difClose >= 0)*2-1)*Volume).cumsum()

OBV = OBV.dropna()

OBV.name = 'OBV'

1.2 移动型 OBV

移动型 OBV 是由累积 OBV 进行简单移动平均得到，一般选择 9 日或者 12 日为时间跨度，移动型 OBV 的计算公式为：

s m O B V t = O B V t + O B V t ? 1 + ? ? ? + O B V T ? 8 9 , t = 9 , 10 , ? ? ? \displaystyle smOBV_t = \frac{OBV_t+OBV_{t-1}+ ··· +OBV_{T-8}}{9}, t=9,10,··· smOBVt?=9OBVt?+OBVt?1?+???+OBVT?8??,t=9,10,???

用 python 计算东方雨虹移动型 OBV

定义简单移动平均函数

def smaCal(tsPrice, k):

import pandas as pd

Sma = pd.Series(0.0, index=tsPrice.index)

for i in range(k-1, len(tsPrice)):

Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k

return(Sma)

计算移动型 OBV

smOBV=smaCal(OBV,9)[8:]

![在这里插入图片描述](https://img-blo

g.csdnimg.cn/20210502212920607.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80ODk2NDQ4Ng==,size_16,color_FFFFFF,t_70)

1.3 修正型 OBV

计算累积成交量时，无论股价变化幅度与趋势如何，当期的成交量的权重是一样的。为了将股价这些因素考虑进去，人们一般用多空比率净额(Volume Accumulation)来替代单纯的成交量。多空比率净额的计算公式为：

V A n = V A n ? 1 + V n ( C n ? L n ) ? ( H n ? C n ) H n ? L n \displaystyle VA_n=VA_{n-1}+V_n\frac{(C_n-L_n)-(H_n-C_n)}{H_n-L_n} VAn?=VAn?1?+Vn?Hn??Ln?(Cn??Ln?)?(Hn??Cn?)?

其中 V_n 为当日成交量，而 Hn,Ln,Cn 则分别是当日的最高价、最低价和收盘价。收盘价与最低价的差值表示多头力量的强度，最高价与最低价的差值表明空头力量的强度，两者之差表示多头的净力量幅度。

再用这个差值 ( C n ? L n ) ? ( H n ? C n ) \displaystyle (C_n-L_n)-(H_n-C_n) (Cn??Ln?)?(Hn??Cn?)与最高价最低价差值 H n ? L n \displaystyle H_n-L_n Hn??Ln?之比，表示多头相对力量对于成交量的贡献程度。

计算修正型 OBV

AdjOBV = ((df.Close-df.Low)-(df.High-df.Close))/(df.High-df.Low)*df.Volume

AdjOBV.name = 'AdjOBV'

AdjOBVd = AdjOBV.cumsum()

AdjOBVd.name = 'AdjOBVd'

AdjOBVd.describe()

绘制能量潮线图 2020 年数据

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.rcParams['axes.unicode_minus'] = False

ax1 = plt.subplot(3,1,1)

df.Close['2020'].plot(title='东方雨虹 2020 年收盘价时序图')

plt.xticks(df.Close['2020'].index[1:3],(''))

ax2 = plt.subplot(3,1,2)

OBV['2020'].plot(label='OBV',title='东方雨虹 2020 年累积能量潮与移动能量潮')

smOBV['2020'].plot(label='smOBV',linestyle='-.',color='r')

plt.legend()

plt.xticks(df.Close['2020'].index[1:3],(''))

ax3 = plt.subplot(3,1,3)

AdjOBVd['2020'].plot(title='成交量多空比率净额')

for ax in ax1,ax2,ax3:

ax.grid(True)

结果如下所示：

2. OBV 指标理论依据

===================================================================================

OBV 指标的理论依据主要有以下三点：

1. 当投资者对于股价的预期不一致时，成交量很大；当投资者对于股价的预期一致时，成交量则较小。

2. 物理学中物体不会一直上升，总会下跌，而且物体在上升时所需要的能量要比下降时要多。我们把这个原理类比到股市，会得到一个量与价的关系：股价易跌难涨；而且股价下跌时需要的成交量，要小于股价上升时需要的成交量。

3. 由惯性原理，热门股在相当长的一段时间内都会保持较大的成交量和价格波动。而冷门股则相反。

最后

Python 崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS 等更加高级的领域。Python 可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python 可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

??Python 所有方向的学习路线??

Python 所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

??Python 必备开发工具??

工欲善其事必先利其器。学习 Python 常用的开发软件都在这里了，给大家节省了很多时间。

??Python 全套学习视频??

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

??实战案例??

学 python 就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习 python 的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

??大厂面试真题??

我们学习 Python 必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。