最近研究了一套量化方法，用Python分析股价的追涨(趋势延续)和抄底(超跌反弹)信号。这篇文章会手把手教你用方差比和自相关分析方法来识别市场的“暴利阶段”和“死亡陷阱”。代码已打包，直接下载就能用！你有没有想过，股市的涨跌其实不是完全随机的？
为啥同样的股票，有时追高能赚，有时要回调？
今天我带你用Python和K线图，挖掘股市的赚钱区间，让你知道什么时候该追，什么时候该等。
无编程基础的也没关系，文章超简单，都能看懂！
The "Three States" of the Stock Market股市就像个任性的孩子，有时一根筋往上冲（趋势），有时又调头往下跑（回调），还有时候完全没方向（随机）。
这三种状态，决定了你的交易策略：
趋势阶段（比如GME散户大战华尔街）：GameStop先是趋势暴涨，追涨的人赚疯；后来回调，抄底的才有机会。这个阶段适合“追涨杀跌”，顺势而为。
反转阶段（比如暴涨后的阴跌回调）：价格涨多必跌，适合“高抛低吸”。
随机阶段（比如振荡市）：股价无规律，乱操作必亏，不如躺平。
那么问题来了：怎么知道当前是哪种状态？
答案是：用数据！我们可以用两个工具——方差比和自相关分析，来判断股价的“性格”。
方差比听起来高大上，其实是个简单的“探测器”。它能告诉你，股价是按部就班（随机），还是有规律（趋势或回调）。
如下图：我用量化程序分析GME 2021年暴涨暴跌案例，标注关键买卖点。
- 看股价在200日均线上方（上图）+方差比>1（中图红区）+成交量放大（下图），就是"闭眼买"信号；
- 跌破均线+方差比<1（绿区）则是"高抛低吸"时机；
记住口诀："线上红柱跟趋势，线下绿柱等反转，量能不够别硬干"。
设股价完全随机（像抛硬币），那么10天的波动应该是1天波动的10倍。方差比率就是拿实际波动和理论波动比一比：
这个方法来自1988年两位大神Lo和MacKinlay的研究，他们发现：股市并不总是随机的，总有些“赚钱区间”能被抓住！
这个代码示例会算出方差比率，告诉你股价是趋势、回调还是随机。还能生成上面那张分析图。
ticker = 'GME'data = yf.download(ticker, start='2020-01-01', end='2025-04-01', interval='1d')data['Returns'] = data['Close'].pct_change().dropna() holding_periods = [2, 5, 10, 20, 60] window_size = 252 def rolling_variance_ratio(returns, q, window): vr_series = pd.Series(index=returns.index, dtype=float) pval_series = pd.Series(index=returns.index, dtype=float)df_vr = pd.DataFrame(index=data.index)df_pval = pd.DataFrame(index=data.index)for q in holding_periods: vr, pval = rolling_variance_ratio(data['Returns'], q, window_size) df_vr[f'VR_{q}'] = vr df_pval[f'PVal_{q}'] = pvalax2.tick_params(axis='both', which='major', labelsize=10)plt.xlabel('Date', fontsize=8)plt.tight_layout()plt.show()
代码说明：
数据：拉取2020-2025年的GME日K线数据，计算日收益率。
方差比率：用252天（一年）的滑动窗口，算不同周期（2、5、10、20、60天）的方差比率。
p值：如果p值<0.05，说明方差比率显著，股价有规律可循。
运行结果：2021年初，GME的方差比率>1，p值<0.05，说明是强趋势，适合追涨；2021年后，方差比率<1，进入回调，适合抄底。
Autocorrelation Coefficient除了方差比，还有个更直观的工具——自相关分析。它就像是检查股价的“记忆力”：今天涨了，明天还涨吗？
这套图解释了多个频率下收益的滚动自相关性。
自相关系数看的是股价的“前后关系”：
我们用一个滑动窗口（比如60天），算出自相关系数，再看看它是否“显著”（超过某个阈值）。如果显著，就说明股价有规律可循！
再来看自相关系数的代码，帮你确认股价的“记忆力”。
ticker = 'GME'data = yf.download(ticker, start='2020-01-01', end='2025-04-01', interval='1d')data['Returns'] = data['Close'].pct_change().dropna()window = 60 lag = 1 def rolling_acorr(series, window, lag): return series.rolling(window).apply(lambda x: pd.Series(x).autocorr(lag=lag), raw=False)acorr = rolling_acorr(data['Returns'], window, lag)threshold = 2 / np.sqrt(window)
代码说明：
运行结果：2021年初，自相关系数为正且显著，说明趋势强；2021年后，系数变负，进入回调。
用上文方差比和自相关分析章节介绍的理论和代码分析GameStop，结果一目了然：
2021年初：方差比率>1，自相关系数为正，p值<0.05，股价暴涨，追涨赚翻。
2021年后：方差比率<1，自相关系数为负，股价回调，抄底有机会。
其他时间：方差比率≈1，自相关系数≈0，股价随机，观望最好。
方差比和自相关分析很强大，但不是万能的：
市场变化快：今天是趋势，明天可能回调，随时更新分析。
风险别忘：量化分析只是工具，交易还得看资金管理和心态。
结合其他指标：比如成交量、RSI，综合判断更靠谱。
通过方差比率和自相关系数，我们能找到股市的“赚钱区间”，知道什么时候追涨，什么时候抄底。GameStop的案例告诉我们：股市不是完全随机的，数据能帮你占先机！快用Python试试，跑出属于你的“赚钱图”！
- 股市有三种状态：趋势、回调、随机，用对策略能赚钱。
- 用Python的yfinance和matplotlib，小白也能分析K线图。
以上的代码可直接下载完整源文件，或在我的Google Colab中查看，内附中文构建说明。
如觉得对您有所帮助，请我喝杯
咖啡。
