新高新低指标（NH-NL）：原理、应用与Python实现

新高新低指标（New Highs-New Lows，NH-NL）是衡量市场广度和趋势强度的核心技术指标，通过统计一定周期内创阶段新高/新低的标的数量，判断市场整体强弱、趋势持续性及反转信号，适用于股票、指数、行业板块等宽基市场分析，是量化策略中“择时+仓位管理”的关键工具。

一、核心原理：用“市场广度”反映趋势本质

1. 定义与核心逻辑

市场趋势的本质是“多数标的的一致性运动”：

• • 当大量标的同步创阶段新高，说明多头力量占优，上涨趋势具备广度和持续性；
• • 当大量标的同步创阶段新低，说明空头力量占优，下跌趋势未结束；
• • 若新高/新低数量背离（如指数创新高但新高标的数减少），预示趋势可能反转。

2. 核心指标公式

新高新低指标有3个核心维度，需结合使用：

3. 关键参数说明

• • 统计周期N：
• • 短期：20/30日（反映短期市场情绪，适合短线择时）；
• • 中期：60/90日（反映中期趋势，适合波段操作）；
• • 长期：120/250日（反映长期趋势，适合仓位管理）；
• • 统计范围：可选择全市场（如A股全个股）、行业板块（如半导体板块）、指数成分股（如沪深300成分股）；
• • 新高/新低判定：当日收盘价＞过去N个交易日收盘价→创N日新高；当日收盘价＜过去N个交易日收盘价→创N日新低（等于不算）。

二、核心应用：趋势判断与反转信号

1. 基础应用：趋势强度判断

通过NH-NL差值/比率判断市场整体状态，指导仓位管理：

2. 进阶应用：背离信号（核心用法）

新高新低指标的最大价值是识别“指数与广度的背离”，预判趋势反转：

（1）顶背离（下跌预警）

• • 特征：指数创阶段新高，但同期新高数（NH）未同步新高，甚至减少；
• • 逻辑：指数上涨仅由少数权重股推动，多数标的未跟随，“赚指数不赚钱”，上涨趋势无广度；
• • 案例：沪深300创年内新高，但20日新高标的数从500只降至200只→后续指数回调概率80%+。

（2）底背离（上涨预警）

• • 特征：指数创阶段新低，但同期新低数（NL）未同步新低，甚至减少；
• • 逻辑：指数下跌仅由少数权重股拖累，多数标的已止跌，下跌趋势无广度；
• • 案例：创业板指创年内新低，但20日新低标的数从400只降至100只→后续指数反弹概率80%+。

3. 实战技巧：多周期共振

单一周期易失真，需结合短/中/长期新高新低指标：

• • 短（20日）+ 中（60日）+ 长（120日）NH-NL均为正→强多头趋势，持仓不动；
• • 短NH-NL为正，但中/长为负→反弹行情，快进快出；
• • 短NH-NL为负，但中/长为正→回调行情，可低吸。

4. 适用场景与注意事项

适用场景

• • 宽基指数择时（如沪深300、创业板指）；
• • 行业板块轮动（如筛选NH-NL持续为正的板块）；
• • 量化策略仓位管理（根据NH-NL绝对值调整仓位）；
• • 反转信号确认（结合背离判断指数顶底）。

注意事项

• • 避免单一个股分析：新高新低是“广度指标”，对单一个股无意义，仅适用于多标的市场；
• • 剔除异常标的：统计时需排除停牌、ST、新股（上市＜N日），避免数据失真；
• • 结合成交量：NH-NL扩大+成交量放大，趋势更具持续性；NH-NL扩大但成交量萎缩，趋势易反转。

三、Python实战实现（基于A股全市场数据）

以下代码以“A股全个股20日新高新低”为例，实现指标计算、可视化及背离信号检测，适配量化回测场景。

1. 核心代码

import pandas as pd
import numpy as np
import tushare as ts
import matplotlib.pyplot as plt

# 初始化tushare（需注册获取token）
ts.set_token("你的tushare_token")
pro = ts.pro_api()

def get_stock_list():
    """获取A股全市场股票列表（剔除ST、停牌、新股）"""
    # 获取基础股票列表
    stock_basic = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,list_date')
    # 剔除上市不足20日的新股
    stock_basic['list_date'] = pd.to_datetime(stock_basic['list_date'])
    stock_basic = stock_basic[stock_basic['list_date'] < pd.Timestamp.now() - pd.Timedelta(days=20)]
    # 剔除ST股（可根据需要补充停牌筛选）
    stock_basic = stock_basic[~stock_basic['name'].str.contains('ST', na=False)]
    return stock_basic['ts_code'].tolist()


    


def calculate_nh_nl(stock_codes, start_date, end_date, period=20):
    """
    计算指定周期内的新高新低指标
    :param stock_codes: 股票代码列表
    :param start_date: 开始日期（格式：YYYYMMDD）
    :param end_date: 结束日期（格式：YYYYMMDD）
    :param period: 新高/新低统计周期（默认20日）
    :return: 每日NH、NL、NH-NL、NH/NL的DataFrame
    """
    # 初始化结果字典
    nh_nl_dict = {
        'trade_date': [],
        'nh': [],  # 新高数
        'nl': [],  # 新低数
        'nh_nl_diff': [],  # 新高-新低
        'nh_nl_ratio': []  # 新高/新低
    }
    
    # 获取全市场交易日列表
    trade_cal = pro.trade_cal(exchange='SSE', start_date=start_date, end_date=end_date)
    trade_dates = trade_cal[trade_cal['is_open'] == 1]['cal_date'].tolist()
    
    # 遍历每个交易日，计算当日NH/NL
    for trade_date in trade_dates:
        print(f"计算{trade_date}新高新低...")
        nh_count = 0
        nl_count = 0
        
        # 批量获取当日全市场股票收盘价（tushare单次最多取500只，需分批）
        batch_size = 500


    

        for i in range(0, len(stock_codes), batch_size):
            batch_codes = stock_codes[i:i+batch_size]
            # 获取该批次股票的period+1日收盘价（需历史数据判断新高/新低）
            try:
                df = pro.daily(
                    ts_code=','.join(batch_codes),
                    start_date=str(int(trade_date) - period*100),  # 往前推period天（简化处理）
                    end_date=trade_date
                )
                if df.empty:
                    continue
                
                # 按股票代码分组，计算每只股票的新高/新低
                for ts_code, group in df.groupby('ts_code'):
                    # 按日期排序，确保数据连续
                    group = group.sort_values('trade_date')
                    if len(group) < period:
                        continue  # 数据不足period天，跳过
                    
                    # 取最新收盘价和过去period日收盘价
                    latest_close = group['close'].iloc[-1]
                    past_close = group['close'].iloc[:-1][-period:]  # 过去period日收盘价
                    
                    # 判断是否创period日新高
                    if latest_close > past_close.


    
max():
                        nh_count += 1
                    # 判断是否创period日新低
                    if latest_close < past_close.min():
                        nl_count += 1
            except Exception as e:
                print(f"批量获取数据失败：{e}")
                continue
        
        # 计算衍生指标
        nh_nl_diff = nh_count - nl_count
        nh_nl_ratio = nh_count / nl_count if nl_count != 0 else np.inf
        
        # 存入结果
        nh_nl_dict['trade_date'].append(trade_date)
        nh_nl_dict['nh'].append(nh_count)
        nh_nl_dict['nl'].append(nl_count)
        nh_nl_dict['nh_nl_diff'].append(nh_nl_diff)
        nh_nl_dict['nh_nl_ratio'].append(nh_nl_ratio)
    
    # 转换为DataFrame并整理
    nh_nl_df = pd.DataFrame(nh_nl_dict)
    nh_nl_df['trade_date'] = pd.to_datetime(nh_nl_df['trade_date'])
    nh_nl_df = nh_nl_df.sort_values('trade_date').reset_index(drop=True)
    
    return nh_nl_df

def detect_divergence(nh_nl_df, index_df, period=20):


    

    """
    检测指数与新高新低的背离信号
    :param nh_nl_df: 新高新低指标DataFrame
    :param index_df: 指数收盘价DataFrame（含trade_date、close）
    :param period: 背离检测周期（默认20日）
    :return: 含背离信号的DataFrame
    """
    # 合并新高新低和指数数据
    merge_df = pd.merge(nh_nl_df, index_df, on='trade_date', how='inner')
    merge_df.rename(columns={'close': 'index_close'}, inplace=True)
    
    # 计算指数和NH的20日最大值（用于判断背离）
    merge_df['index_high_20'] = merge_df['index_close'].rolling(window=period).max()
    merge_df['nh_high_20'] = merge_df['nh'].rolling(window=period).max()
    
    # 顶背离：指数创新高，但NH未创新高
    merge_df['top_divergence'] = (merge_df['index_close'] == merge_df['index_high_20']) & \
                                 (merge_df['nh'] < merge_df['nh_high_20'])
    
    # 底背离：指数创新低，但NL未创新低
    merge_df['index_low_20'] = merge_df['index_close'].rolling(window=period).min()
    merge_df['nl_low_20'] = merge_df['nl'].rolling(window=period).min()
    merge_df['bottom_divergence'] = (merge_df['index_close'] == merge_df['index_low_20']) & \
                                    (merge_df['nl'] < merge_df['nl_low_20'])
    


    

    return merge_df

def plot_nh_nl(nh_nl_df, index_df=None):
    """可视化新高新低指标及指数背离"""
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True)
    
    # 子图1：NH、NL、NH-NL差值
    ax1.plot(nh_nl_df['trade_date'], nh_nl_df['nh'], color='red', label='20日新高数(NH)')
    ax1.plot(nh_nl_df['trade_date'], nh_nl_df['nl'], color='green', label='20日新低数(NL)')
    ax1.plot(nh_nl_df['trade_date'], nh_nl_df['nh_nl_diff'], color='blue', label='NH-NL差值', linestyle='--')
    ax1.axhline(y=0, color='black', alpha=0.3, linestyle='-')
    ax1.set_title('A股全市场20日新高新低指标')
    ax1.set_ylabel('数量')
    ax1.legend()
    ax1.grid(alpha=0.3)
    
    # 子图2：指数+背离信号（若传入指数数据）


    

    if index_df is not None:
        merge_df = pd.merge(nh_nl_df, index_df, on='trade_date', how='inner')
        ax2.plot(merge_df['trade_date'], merge_df['close'], color='black', label='沪深300指数')
        # 标记顶背离（红色三角）和底背离（绿色三角）
        top_div = merge_df[merge_df['top_divergence'] == True]
        bottom_div = merge_df[merge_df['bottom_divergence'] == True]
        ax2.scatter(top_div['trade_date'], top_div['close'], color='red', marker='^', s=100, label='顶背离')
        ax2.scatter(bottom_div['trade_date'], bottom_div['close'], color='green', marker='v', s=100, label='底背离')
        ax2.set_ylabel('指数收盘价')
        ax2.legend()
        ax2.grid(alpha=0.3)
    
    plt.xlabel('日期')
    plt.tight_layout()
    plt.show()

# --------------- 主函数调用 ---------------
if __name__ == "__main__":
    # 1. 获取A股股票列表
    stock_codes = get_stock_list()
    print(f"有效股票数量：


    
{len(stock_codes)}")
    
    # 2. 计算2024年1-6月的20日新高新低指标
    nh_nl_df = calculate_nh_nl(
        stock_codes=stock_codes,
        start_date="20240101",
        end_date="20240630",
        period=20
    )
    
    # 3. 获取沪深300指数数据（用于背离检测）
    index_df = pro.index_daily(ts_code='000300.SH', start_date='20240101', end_date='20240630')
    index_df['trade_date'] = pd.to_datetime(index_df['trade_date'])
    index_df = index_df.sort_values('trade_date').reset_index(drop=True)
    
    # 4. 检测背离信号
    merge_df = detect_divergence(nh_nl_df, index_df, period=20)
    
    # 5. 可视化
    plot_nh_nl(nh_nl_df, index_df)
    
    # 6. 输出结果
    print("新高新低指标（最后10日）：")
    print(nh_nl_df.tail(10)[['trade_date', 'nh', 'nl', 'nh_nl_diff', 'nh_nl_ratio']])

2. 代码说明

（1）数据获取层

• •  get_stock_list()：筛选有效标的（剔除ST、新股、停牌股），保证统计广度；
• • pro.daily()：批量获取股票/指数收盘价，适配tushare分批限制（单次500只）。

（2）指标计算层

• • 遍历每个交易日，统计全市场创20日新高/新低的标的数量；
• • 计算NH-NL差值（整体情绪）、NH/NL比率（相对强弱），处理NL=0时的除零异常。

（3）信号检测层

• • detect_divergence()：通过滚动窗口判断“指数新高但NH未新高（顶背离）”“指数新低但NL未新低（底背离）”；
• • 顶/底背离是趋势反转的核心信号，量化策略中可作为“减仓/加仓”的触发条件。

（4）可视化层

• • 分两行展示“新高新低数量+指数走势”，直观标记背离信号，便于策略分析。

3. 轻量化实现（单标的/小样本）

若无需全市场数据，仅分析单指数/板块成分股，可简化代码：

def calculate_nh_nl_light(df, close_col='close', period=20):
    """
    轻量化版：计算单DataFrame内的新高新低（如板块成分股）
    :param df: 含code、trade_date、close的DataFrame
    :return: 每日NH/NL
    """
    # 按日期分组，计算每日新高/新低数
    df['high_roll'] = df.groupby('code')[close_col].rolling(period).max().reset_index(0, drop=True)


    

    df['low_roll'] = df.groupby('code')[close_col].rolling(period).min().reset_index(0, drop=True)
    df['is_nh'] = df[close_col] > df['high_roll'].shift(1)  # 创period日新高
    df['is_nl'] = df[close_col] < df['low_roll'].shift(1)  # 创period日新低
    
    # 按日期统计数量
    nh_nl = df.groupby('trade_date').agg(
        nh=('is_nh', 'sum'),
        nl=('is_nl', 'sum')
    ).reset_index()
    nh_nl['nh_nl_diff'] = nh_nl['nh'] - nh_nl['nl']
    nh_nl['nh_nl_ratio'] = nh_nl['nh'] / nh_nl['nl'].replace(0, np.inf)
    
    return nh_nl

四、实战策略集成示例

新高新低指标可直接融入量化策略的择时逻辑，以下是“沪深300指数增强策略”的核心逻辑：

def strategy_nh_nl(merge_df):
    """
    基于新高新低的择时策略
    规则：


    

    1. NH-NL＞100 → 满仓（100%）
    2. 0＜NH-NL≤100 → 半仓（50%）
    3. NH-NL≤0 → 空仓（0%）
    4. 顶背离 → 强制减仓至20%
    5. 底背离 → 强制加仓至80%
    """
    merge_df['position'] = 0.0
    # 基础仓位
    merge_df.loc[merge_df['nh_nl_diff'] > 100, 'position'] = 1.0
    merge_df.loc[(merge_df['nh_nl_diff'] > 0) & (merge_df['nh_nl_diff'] <= 100), 'position'] = 0.5
    # 背离修正
    merge_df.loc[merge_df['top_divergence'] == True, 'position'] = 0.2
    merge_df.loc[merge_df['bottom_divergence'] == True, 'position'] = 0.8
    
    # 计算策略收益
    merge_df['index_return'] = merge_df['index_close'].pct_change()
    merge_df['strategy_return'] = merge_df['index_return'] * merge_df['position'].shift(1)
    merge_df['strategy_nav'] = (1 + merge_df['strategy_return']).cumprod()
    
    # 输出策略绩效
    print(f"策略累计收益：{(merge_df[


    
'strategy_nav'].iloc[-1]-1)*100:.2f}%")
    print(f"指数累计收益：{(merge_df['index_close'].iloc[-1]/merge_df['index_close'].iloc[0]-1)*100:.2f}%")
    
    return merge_df

# 调用策略
merge_df = strategy_nh_nl(merge_df)

五、关键优化与注意事项

1. 数据优化

• • 补充复权收盘价：使用前复权价格计算新高/新低，避免除权除息导致的虚假新高/新低；
• • 处理停牌数据：停牌标的按“最后收盘价”填充，避免统计遗漏。

2. 参数优化

• • 周期适配：短线策略用20日，中长线用60/120日；
• • 阈值校准：全市场NH-NL差值的阈值需根据市场规模调整（如A股全市场NH-NL＞500为强多头）。

3. 策略优化

• • 结合成交量：NH-NL扩大+成交量放大，趋势确认；NH-NL扩大但成交量萎缩，趋势存疑；
• • 多指标共振：新高新低+均线（如指数站上60日线），提高信号胜率。

总结

新高新低指标的核心价值在于“脱离指数权重陷阱，反映真实市场广度”：

• • 原理上，通过“多数标的的一致性运动”判断趋势，比单一指数更贴近市场本质；
• • 应用上，是趋势强度判断、反转信号检测、仓位管理的核心工具；
• • 实现上，需注意数据广度（全市场/板块）、周期适配（短/中/长期）、背离检测（核心信号）。

对量化策略而言，新高新低指标是“择时体系”的基础组件，结合均线、成交量、情绪指标（如PSY）可大幅提升策略胜率，尤其适合宽基指数的趋势性交易和仓位管理。