# 用 Python 做日内分时分析：VWAP、量价分布与盘中节奏

大多数量化教程只讲日 K 线。原因很简单：日线数据容易拿、逻辑清晰、回测方便。但只看日线，你会丢掉一个重要维度——**盘中发生了什么**。

同样是涨 3%，有的票是早盘高开后一路横盘，有的是尾盘最后半小时拉起来的。这两种走势的含义完全不同，但在日 K 线上看起来可能一模一样。

分时数据（分钟线）可以帮你看到日线看不到的东西：盘中量价分布、主力交易时段、VWAP（成交量加权均价）等。AlphaFeed 的 `af.klines.intraday()` 接口提供当日的分钟级数据，这篇文章会用它做几个实用的日内分析。

## 1. 获取分钟级分时数据

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday(
    "600519.SH",
    period="1m",
    to_dataframe=True,
)

df = df.sort_values("trade_time").reset_index(drop=True)
print(f"数据量: {len(df)} 条")
print(df[["trade_time", "open", "high", "low", "close", "volume", "amount"]].head(10))
```

`period` 支持 `1m`、`5m`、`15m`、`30m`、`60m`，按需选择粒度。`1m` 是最细的——A 股一个交易日 240 分钟（9:30–11:30、13:00–15:00），所以一天最多 240 条。

也可以批量获取多只股票的分时数据：

```python
symbols = ["600519.SH", "000001.SZ", "300750.SZ"]

intraday_data = af.klines.intraday_batch(
    symbols,
    period="5m",
    to_dataframe=True,
    show_progress=True,
)

for sym, idf in intraday_data.items():
    print(f"{sym}: {len(idf)} 条 5 分钟线")
```

## 2. 画出分时走势图

拿到数据后，第一件事是画出来看看：

```python
import pandas as pd
import matplotlib.pyplot as plt
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday("600519.SH", period="1m", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 8), height_ratios=[3, 1], sharex=True)

ax1.plot(df.index, df["close"], color="#1f77b4", linewidth=1)
ax1.set_ylabel("价格")
ax1.set_title("600519.SH 分时走势")
ax1.grid(True, alpha=0.3)

ax2.bar(df.index, df["volume"], color="#2ca02c", alpha=0.6, width=0.8)
ax2.set_ylabel("成交量")
ax2.set_xlabel("分钟序号")

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

这张图能直观地告诉你：今天的价格是怎么一步步走出来的，哪些时段成交量集中。

## 3. 计算 VWAP

VWAP（Volume Weighted Average Price，成交量加权均价）是日内交易中最重要的参考价格之一。机构交易员经常用 VWAP 来评估自己的执行效果——如果你买入的均价低于 VWAP，说明执行得不错。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday("600519.SH", period="1m", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

df["cum_amount"] = df["amount"].cumsum()
df["cum_volume"] = df["volume"].cumsum()
df["vwap"] = df["cum_amount"] / df["cum_volume"]

print(f"当日 VWAP: {df['vwap'].iloc[-1]:.2f}")
print(f"最新价:    {df['close'].iloc[-1]:.2f}")
print(f"偏离度:    {(df['close'].iloc[-1] / df['vwap'].iloc[-1] - 1) * 100:.2f}%")

print("\nVWAP 走势（每 30 分钟）:")
print(df.iloc[::30][["trade_time", "close", "vwap"]].to_string(index=False))
```

VWAP 的几个实际用途：

| 用途 | 说明 |
| --- | --- |
| 执行基准 | 买入均价 < VWAP = 买得便宜 |
| 支撑/阻力参考 | 价格在 VWAP 上方运行通常偏强 |
| 日内策略信号 | 价格上穿/下穿 VWAP 可作为方向信号 |
| 大单拆分目标 | 机构的 VWAP 算法单就是追踪这个价格 |

## 4. 成交量分布：钱在什么时候进场

A 股的成交量在一天内分布非常不均匀。一般规律是：开盘前 30 分钟和收盘前 30 分钟成交量最大，中间时段相对冷清。

我们可以量化地看看是不是这样：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday("600519.SH", period="5m", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

df["trade_time_str"] = df["trade_time"].astype(str)

total_vol = df["volume"].sum()
df["vol_pct"] = df["volume"] / total_vol * 100

print("=== 各时段成交量占比 ===")
for _, row in df.iterrows():
    bar = "█" * int(row["vol_pct"] * 2)
    print(f"{row['trade_time_str'][-8:]}  {row['vol_pct']:5.1f}%  {bar}")
```

如果你发现某只票今天的成交量分布和往常不一样——比如通常尾盘量最大，但今天早盘就放了巨量——这可能意味着有大资金在抢跑。

### 对比多只股票的量分布

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

symbols = ["600519.SH", "000001.SZ", "300750.SZ"]

intraday_data = af.klines.intraday_batch(symbols, period="30m", to_dataframe=True)

for sym, idf in intraday_data.items():
    idf = idf.sort_values("trade_time").reset_index(drop=True)
    total = idf["volume"].sum()
    idf["vol_pct"] = idf["volume"] / total * 100

    first_30min = idf["vol_pct"].iloc[0] if len(idf) > 0 else 0
    last_30min = idf["vol_pct"].iloc[-1] if len(idf) > 0 else 0

    print(f"{sym}: 首30min={first_30min:.1f}%  尾30min={last_30min:.1f}%  "
          f"首尾合计={first_30min + last_30min:.1f}%")
```

## 5. 日内波动率分析

日线的波动率告诉你"这只票每天大概波动多少"。分钟线的波动率告诉你"这只票在一天之内什么时候波动最剧烈"。

```python
import pandas as pd
import numpy as np
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday("600519.SH", period="5m", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

df["ret"] = df["close"].pct_change()

df["minute_index"] = range(len(df))

df["rolling_vol"] = df["ret"].rolling(6).std() * np.sqrt(48)

print("=== 日内波动率变化 ===")
print(df[["trade_time", "close", "ret", "rolling_vol"]].dropna().to_string(index=False))

high_vol_periods = df[df["rolling_vol"] > df["rolling_vol"].quantile(0.8)].copy()
print(f"\n高波动时段 (Top 20%): {len(high_vol_periods)} 个 5 分钟 bar")
if not high_vol_periods.empty:
    print(high_vol_periods[["trade_time", "close", "rolling_vol"]].to_string(index=False))
```

这个分析的价值在于：如果你知道某只票通常在 10:00–10:30 波动率最高，那你的限价单策略就应该在这个时段更谨慎地设置挂单价格。

## 6. 日内动量与反转

日线上存在"动量效应"（涨了还会涨），日内也有类似的规律，但方向可能不同。很多研究发现，A 股日内存在"上午动量、下午反转"的倾向：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.intraday("600519.SH", period="1m", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

df["trade_time_str"] = df["trade_time"].astype(str)

morning = df[df["trade_time_str"].str.contains(r"09:|10:|11:")].copy()
afternoon = df[df["trade_time_str"].str.contains(r"13:|14:")].copy()

if not morning.empty and not afternoon.empty:
    morning_ret = morning["close"].iloc[-1] / morning["open"].iloc[0] - 1
    afternoon_ret = afternoon["close"].iloc[-1] / afternoon["open"].iloc[0] - 1
    full_day_ret = df["close"].iloc[-1] / df["open"].iloc[0] - 1

    print(f"上午收益: {morning_ret:+.4f} ({morning_ret*100:+.2f}%)")
    print(f"下午收益: {afternoon_ret:+.4f} ({afternoon_ret*100:+.2f}%)")
    print(f"全天收益: {full_day_ret:+.4f} ({full_day_ret*100:+.2f}%)")

    if morning_ret > 0 and afternoon_ret < 0:
        print("→ 今日呈现上午涨、下午回落的模式")
    elif morning_ret < 0 and afternoon_ret > 0:
        print("→ 今日呈现上午跌、下午反弹的模式")
    elif morning_ret > 0 and afternoon_ret > 0:
        print("→ 今日上下午均上涨，趋势延续")
    else:
        print("→ 今日上下午均下跌")
```

要做更严谨的研究，你需要用历史分钟线（而不只是今天一天）来统计这种上下午的关系。可以每天收盘后用日 K 和分时数据积累样本。

## 7. VWAP 偏离度选股

把 VWAP 分析从单只票扩展到多只票，可以做一个简单的日内选股信号：当前价格低于 VWAP 且差距较大的票，可能存在日内反弹机会（当然也可能是真的在跌）。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

watchlist = [
    "600519.SH", "000001.SZ", "601318.SH", "300750.SZ",
    "002594.SZ", "000858.SZ", "601012.SH", "600036.SH",
]

intraday_data = af.klines.intraday_batch(
    watchlist,
    period="1m",
    to_dataframe=True,
    show_progress=True,
)

vwap_results = []
for sym, idf in intraday_data.items():
    idf = idf.sort_values("trade_time").reset_index(drop=True)
    if len(idf) < 10:
        continue

    cum_amount = idf["amount"].sum()
    cum_volume = idf["volume"].sum()
    vwap = cum_amount / cum_volume if cum_volume > 0 else 0

    last_price = idf["close"].iloc[-1]
    deviation = (last_price / vwap - 1) * 100 if vwap > 0 else 0

    vwap_results.append({
        "symbol": sym,
        "last_price": last_price,
        "vwap": round(vwap, 2),
        "deviation_pct": round(deviation, 2),
    })

vwap_df = pd.DataFrame(vwap_results).sort_values("deviation_pct")

print("=== VWAP 偏离度排行 ===")
print("正值 = 当前价 > VWAP（偏贵），负值 = 当前价 < VWAP（偏便宜）")
print(vwap_df.to_string(index=False))
```

VWAP 偏离度不是一个独立的交易信号——你不能仅仅因为"低于 VWAP"就买入。但它可以作为一个辅助指标：在你已经看好某只票的前提下，等价格回到 VWAP 附近或以下再买入，执行效果通常更好。

## 8. 盘中量价异动检测

结合分时数据，可以做一个简单的"放量异动"检测器：如果某个 5 分钟 bar 的成交量是当日平均的 3 倍以上，标记为异动。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

def detect_volume_spike(symbol: str, threshold: float = 3.0) -> list:
    df = af.klines.intraday(symbol, period="5m", to_dataframe=True)
    df = df.sort_values("trade_time").reset_index(drop=True)

    if len(df) < 5:
        return []

    avg_vol = df["volume"].mean()
    spikes = []

    for _, row in df.iterrows():
        if avg_vol > 0 and row["volume"] > avg_vol * threshold:
            ret = (row["close"] - row["open"]) / row["open"] * 100 if row["open"] > 0 else 0
            spikes.append({
                "time": str(row["trade_time"]),
                "volume": row["volume"],
                "vol_ratio": round(row["volume"] / avg_vol, 1),
                "bar_return": f"{ret:+.2f}%",
                "close": row["close"],
            })

    return spikes

symbols = ["600519.SH", "000001.SZ", "300750.SZ", "002594.SZ"]

for sym in symbols:
    spikes = detect_volume_spike(sym, threshold=3.0)
    if spikes:
        print(f"\n[{sym}] 检测到 {len(spikes)} 次放量异动:")
        for s in spikes:
            print(f"  {s['time']} | 量比={s['vol_ratio']}x | 涨跌={s['bar_return']} | 价格={s['close']}")
    else:
        print(f"\n[{sym}] 今日无明显放量异动")
```

这种检测可以帮你捕捉"突然来了一笔大单"的时刻。结合盘口数据（第 10 篇），你可以进一步判断这笔量是买入还是卖出。

## 9. 历史分钟线的积累与分析

`af.klines.intraday()` 返回的是当天的分时数据。如果你想积累历史分钟线，可以每天定时存档：

```python
import json
from datetime import datetime
from alphafeed import AlphaFeed

af = AlphaFeed()

def save_daily_intraday(symbols: list, period: str = "5m"):
    today = datetime.now().strftime("%Y%m%d")

    intraday_data = af.klines.intraday_batch(
        symbols, period=period, to_dataframe=True, show_progress=True,
    )

    for sym, idf in intraday_data.items():
        filename = f"intraday_{sym.replace('.', '_')}_{today}.csv"
        idf.to_csv(filename, index=False)
        print(f"已保存 {filename} ({len(idf)} 条)")

save_daily_intraday(["600519.SH", "000001.SZ", "300750.SZ"])
```

积累两三周的数据后，你就可以做更有意义的统计分析：平均量价分布、日内波动率季节性、VWAP 偏离后的价格回归概率等。

如果你需要更长时间的历史分钟线，也可以用 `af.klines.get()` 配合分钟级 period 来获取：

```python
df_5m = af.klines.get(
    "600519.SH",
    period="5m",
    count=1000,
    adjust="forward",
    to_dataframe=True,
)
print(f"历史 5 分钟线: {len(df_5m)} 条")
print(f"起始: {df_5m['trade_time'].min()}")
print(f"截止: {df_5m['trade_time'].max()}")
```

## 10. 分时数据的局限性

| 局限 | 说明 |
| --- | --- |
| 数据量大 | 1 分钟线一天 240 条，100 只票一年就是 500 多万条，存储和计算都更重 |
| 噪声更多 | 分钟级别的价格波动大部分是随机噪声，信号提取更难 |
| 回测复杂 | 需要处理开盘集合竞价、午休、收盘等特殊时段 |
| 交易成本放大 | 日内策略交易频率高，手续费和滑点的影响比日线策略大得多 |
| 不适合新手入门 | 建议先在日线层面建立完整的研究流程，再下沉到分钟级 |

分时数据不是"更好的数据"，而是"另一个维度的数据"。它适合回答日线无法回答的问题：盘中什么时候最活跃？大单在什么价位进场？VWAP 偏离多少是正常范围？

## 结语

日 K 线是量化的基础视角，分时数据是进阶视角。

用 AlphaFeed 的 `af.klines.intraday()` 拿到分钟级数据后，你可以计算 VWAP、分析盘中量价分布、检测放量异动、研究日内动量与反转规律。这些分析不会直接给你一个"必赚"的信号，但它们会帮你理解：一根日 K 线的背后，盘中到底发生了什么。

对于有一定基础的量化研究者来说，分时数据是从"日线策略"迈向"更精细执行"和"更深入市场微观结构理解"的关键一步。



大多数量化教程只讲日 K 线。原因很简单：日线数据容易拿、逻辑清晰、回测方便。但只看日线，你会丢掉一个重要维度——盘中发生了什么。

用 Python 做日内分时分析：VWAP、量价分布与盘中节奏

编程语言

算法

大数据

Python日内分时分析教程：详解VWAP计算、量价分布与盘中节奏，利用AlphaFeed获取分钟级数据，分析成交量分布、波动率变化及日内动量效应，助你突破日K线局限，掌握盘中交易细节。

Python

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

用 Python 做日内分时分析：VWAP、量价分布与盘中节奏-腾讯云开发者社区-腾讯云

用 Python 做日内分时分析：VWAP、量价分布与盘中节奏

用 Python 做日内分时分析：VWAP、量价分布与盘中节奏

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