我的新书《基于股票大数据分析的Python入门实战》于近日上架，在这篇博文向大家介绍我的新书：《基于股票大数据分析的Python入门实战》里，介绍了这本书的内容。这里将摘录出部分内容，用以推广本书，请大家多多支持。
《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：/69241653952.html。在这篇博文里，将摘录部分内容。
1 OBV指标的原理以及算法
形象地讲，OBV指标是将成交量与股价的关系数字化，并根据股市的成交量变化情况来衡量股市的上涨或下跌支持力，以此来研判股价的走势。OBV指标的设计是基于如下的原理。
第一，如果投资者对当前股价的看法越有分歧，那么成交量就越大，反之成交量就越小，所以可以用成交量来衡量多空双方的力量。
第二，股价在上升时，尤其是在上升初期，必须要较大的成交量相配合，相反股价在下跌时，无需耗费很大的动量，因此成交量未必放大，甚至下跌阶段成交量会有萎缩趋势。
第三，受关注的股票在一段时间内成交量和股价波动会很大，相反冷门股票成交量和价格波动会比较小。
根据上述原则，OBV的算法如下，主要是以日为单位累积成交量。
当日OBV值 = 本日值 ＋ 前日OBV值
如果本日收盘价高于前一日的收盘价，本日的值为正，反之为负，如果本日收盘价和前一日的收盘价相同，则本日值不参与计算，按照这种规则累积计算成交量。成交量可以选择多种计算单位，OBV用到的是成交手数。参考表12-3，通过范例来了解一下OBV的算法。
表 OBV指标算法的实例表
其中，第一天不计算，第2天的收盘价高于第1天，所以当日OBV是当日成交量（为正数）。第3天收盘价也高于第2天，所以该日的OBV是第2天的值（+11000）加上该日成交量（+12000）。
第4天股票下跌，所以当日的OBV累计值是前日的23000减去当日的成交量，结果是+13000，同理第5天也是下跌，当日的OBV是前日值13000减去当日成交量5000，结果是8000。
之后的OBV值按同理计算，将每日算得的OBV值作为纵坐标，交易的日期作为横坐标，将这些点连接起来就是OBV指标线了。
2 绘制K线、均线和OBV指标图的整合效果图
在绘制K线、均线与OBV指标图时，是从csv文件（其实源于网站爬取的股票交易数据）中的Volume字段获得的成交量，它的单位是“股数”，而计算OBV时成交量的单位是“手”，两者的对应关系是1手等于100股。
在DrawKwithOBV.py范例程序中，将绘制整合的效果图，该范例程序存放在MyDjangoDBProj项目中，与DBUtil.py处于同一目录。为了突出OBV算法，范例程序不导入数据库相关的操作，也不输出日志。
1 # !/usr/bin/env python2 # coding=utf-83 import pandas as pd4 import matplotlib.pyplot as plt5 from mpl_finance import candlestick2_ochl6 # 计算OBV的方法7 def calOBV(df):8 # 把成交量换算成万手9 df['VolByHand'] = df['Volume']/100000010 # 创建OBV列，先全填充为011 df['OBV'] =012 cnt=1 # 索引从1开始，即从第2天算起13 while cnt<=len(df)-1:14 if(df.iloc[cnt]['Close']>df.iloc[cnt-1]['Close']):15df.ix[cnt,'OBV'] = df.ix[cnt-1,'OBV'] + df.ix[cnt,'VolByHand']16 if(df.iloc[cnt]['Close']<df.iloc[cnt-1]['Close']): 17df.ix[cnt,'OBV'] = df.ix[cnt-1,'OBV'] - df.ix[cnt,'VolByHand']18 cnt=cnt+119 return df
在第7行的calOBV方法中封装了计算OBV指标的程序逻辑。具体执行步骤是，在第9行中为df对象新增VolByHand列，把成交量转换成“万手”，虽然OBV的计算单位是手，但以此绘制出来的指标图上y轴的OBV数值还是过大，所以这里在除以100的基础上再除以10000，转换成“万手”。
随后在第11行新增OBV列，该列的初始值是0。之后在第13行的while循环中，从第2天开始依次遍历df对象，根据OBV的计算规则给每天的OBV列赋值，比如通过第14行的if语句处理当天收盘价上涨的情况，从第15行的程序代码中可以看到，在上涨情况下，当日的OBV值是前日OBV值加上当日的成交量，在第17行中处理了当日下跌的情况，当日的OBV值是前日值减去当日的成交量。
在第21行从指定的csv文件中读到600460（士兰微）从0101到0531的交易数据，并在第23行调用calOBV方法计算OBV值，在该方法的返回结果存放到df对象中，其中OBV值包含在df['OBV']这一列种。如果要检验计算的OBV结果，可以去掉第24行的注释，使得打印语句生效。
在第27行的程序语句设置了两个子图，其中axPrice用于绘制K线和均线，而axOBV则用于绘制OBV指标图。
从第29行到第39行的程序语句用于绘制K线以及三条均线，这部分代码在之前几章中的范例程序中都讲过，所以不再重复说明。在第41行中通过调用df['OBV'].plot方法绘制OBV指标图。
在绘制OBV子图时请注意两个细节：
第一，在第46行中，在axOBV子图内通过调用set_ylabel方法设置了OBV子图的y坐标标签为“万手”；
第二，通过第45行的程序代码，让OBV子图上的y坐标数字有正有负，如果去掉这行语句，OBV子图上y坐标的数字均为正数。
运行这个范例程序，即可看到如图所示的执行结果。
本书的其它内容，大家可以参考如下的博文，
程序员如何高效学Python，如何高效用Python挣钱
用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略
向大家介绍我的新书：《基于股票大数据分析的Python入门实战》
通过机器学习的线性回归算法预测股票走势（用Python实现）
在我的新书里，尝试着用股票案例讲述Python爬虫大数据可视化等知识
以股票RSI指标为例，学习Python发送邮件功能（含RSI指标确定卖点策略）
以预测股票涨跌案例入门基于SVM的机器学习
用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码）
用python的matplotlib和numpy库绘制股票K线均线的整合效果（含从网络接口爬取数据和验证交易策略代码）
