最近很多朋友在后台问我为什么感觉现在的市场复盘文章越来越“水”了打开一篇要么是数据的简单罗列要么是“震荡上行”、“结构性机会”之类的车轱辘话看完之后对明天的操作依然毫无头绪。这背后反映的其实是传统复盘方法在信息爆炸时代的失效。数据只是历史的影子而我们需要的是照亮前路的灯。今天我们不聊某一天的具体涨跌而是彻底拆解一套能让你真正“用起来”的量化复盘系统。我将以一份模拟的“2026年07月31日”市场数据为蓝本带你从零开始用Python搭建一个自动化复盘分析框架。你会发现复盘的核心不是记录而是通过程序化的思维将市场噪音过滤掉提炼出可持续跟踪的信号与模式。无论你是量化交易新手还是希望提升分析效率的资深投资者这套方法都能将你从繁杂的日报阅读中解放出来把精力聚焦在策略优化上。1. 这篇文章真正要解决的问题从“看热闹”到“做分析”绝大多数投资者的复盘停留在“陈述事实”层面“今天指数涨了某某板块领涨成交量多少”。这种复盘的价值极低因为它没有回答关键问题涨跌背后的驱动力是什么这种状态是否可持续我的策略在这种市场环境下表现如何本文要解决的正是这个痛点。我们将实现一个系统它能够自动处理原始数据代替人工收集和整理行情数据。进行多维度的量化分析不仅看涨跌更要分析波动率、相关性、资金流向、市场情绪等。生成结构化的分析报告输出可直接用于投资决策的图表和结论。实现策略绩效归因如果你的策略今天盈利或亏损系统能告诉你有多少是市场Beta的贡献有多少是选股Alpha的贡献。我们将使用Python的核心数据分析库Pandas, NumPy和可视化库Matplotlib, Seaborn来构建。即使你Python基础一般也能跟随步骤完成。我们的目标不是预测2026年7月31日的市场而是掌握一套在任何时间点都能复用的分析方法。2. 核心概念与量化复盘框架在开始敲代码之前我们需要明确几个关键概念它们构成了我们复盘系统的骨架行情数据Market Data最基本的数据包括开盘价、最高价、最低价、收盘价、成交量、成交额。这是所有分析的起点。收益率Return今日收盘价相对于昨日收盘价的变化百分比。这是衡量涨跌的直接指标但单一日的收益率噪音很大。波动率Volatility价格波动的剧烈程度。高波动率往往意味着不确定性高或分歧大。我们通常用收益率的标准差来衡量。相关性Correlation不同股票或板块之间价格变动的联动程度。例如当银行股上涨时保险股是否也倾向于上涨相关性分析能帮助我们理解板块轮动和风险分散。资金流向Money Flow粗略估算资金是流入还是流出某个标的。常用的是“资金净流入”概念基于成交额和价格变化计算是观察主力动向的参考指标之一。市场广度Market Breadth上涨家数与下跌家数的对比。一个指数大涨但多数股票下跌的市场涨指数跌个股其健康度通常不如指数温和上涨但多数股票也上涨的市场。绩效归因Performance Attribution将投资组合的整体收益分解为几个部分比如市场整体上涨带来的收益Beta收益、个股选择带来的超额收益Alpha收益、行业配置带来的收益等。我们的复盘系统将围绕这些概念展开。与主观描述不同我们将为每一个概念找到可计算、可量化的指标。3. 环境准备与数据获取模拟3.1 环境准备确保你的Python环境已安装以下库。在命令行中使用pip安装pip install pandas numpy matplotlib seaborn3.2 模拟“2026-07-31”行情数据由于无法获取真实未来数据我们将用Python模拟生成一个包含“三大指数”假设为沪深300、中证500、创业板指和若干代表性板块如银行、新能源、半导体的行情数据集。这完全是为了演示分析流程。# 文件simulate_market_data.py import pandas as pd import numpy as np from datetime import datetime, timedelta # 设置随机种子确保结果可复现 np.random.seed(20260731) # 定义标的列表 indices [沪深300, 中证500, 创业板指] sectors [银行, 新能源, 半导体, 消费, 医药, 周期] # 生成日期序列假设有最近20个交易日的数据以‘2026-07-31’为最后一天 end_date datetime(2026, 7, 31) dates pd.date_range(endend_date, periods20, freqB) # B 代表工作日 # 初始化一个空的DataFrame来存储所有数据 all_data [] for ticker in indices sectors: # 为每个标的生成一个模拟的起始价格 base_price np.random.uniform(50, 200) # 生成每日收益率服从正态分布均值为0.0005标准差为0.02 daily_returns np.random.normal(loc0.0005, scale0.02, sizelen(dates)) # 计算价格序列 prices base_price * (1 daily_returns).cumprod() # 生成成交量与价格和波动性相关 volumes np.random.lognormal(mean15, sigma0.5, sizelen(dates)) * (1 np.abs(daily_returns)*10) for i, date in enumerate(dates): all_data.append({ date: date.date(), symbol: ticker, open: prices[i] * np.random.uniform(0.995, 1.005), high: prices[i] * np.random.uniform(1.005, 1.015), low: prices[i] * np.random.uniform(0.985, 0.995), close: prices[i], volume: int(volumes[i]) }) # 创建DataFrame df_market pd.DataFrame(all_data) # 计算成交额 df_market[amount] df_market[close] * df_market[volume] print(f模拟数据概览共 {len(df_market)} 行记录) print(df_market.head()) print(f\n最后交易日2026-07-31数据预览) print(df_market[df_market[date] end_date.date()].head(6))运行这段代码我们就得到了一个包含过去20个交易日、9个标的的模拟行情数据框DataFrame。symbol列区分指数和板块。4. 核心分析流程拆解我们的自动化复盘将分为四个核心步骤每一步都会产生相应的分析结果和图表。步骤一基础行情统计与可视化计算并展示主要指数在复盘日2026-07-31的关键数据。步骤二市场深度与广度分析分析全市场用板块模拟的涨跌分布、成交活跃度。步骤三相关性分析与风险洞察计算不同板块间的收益率相关性识别联动或分化的结构。步骤四简单策略绩效模拟与归因模拟一个简单的投资组合分析其当日收益来源。5. 完整代码实现构建自动化复盘系统我们将把上述步骤整合到一个脚本中。为了清晰我们使用函数式编程来组织代码。# 文件auto_market_review.py import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime # 设置中文字体和图表样式 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 1. 数据准备与加载函数 (这里直接使用之前模拟的数据框 df_market) # 假设 df_market 已经存在。在实际应用中这里会是读取数据库或CSV文件的代码。 # df_market pd.read_csv(market_data_20260731.csv) def calculate_daily_metrics(df, review_date): 计算复盘日的基础指标 review_df df[df[date] review_date].copy() prev_date df[df[date] review_date][date].max() prev_df df[df[date] prev_date].copy() # 合并昨日收盘价 prev_close_map prev_df.set_index(symbol)[close].to_dict() review_df[prev_close] review_df[symbol].map(prev_close_map) # 计算日收益率、涨跌幅、振幅 review_df[daily_return] (review_df[close] - review_df[prev_close]) / review_df[prev_close] review_df[change_pct] review_df[daily_return] * 100 review_df[amplitude] (review_df[high] - review_df[low]) / review_df[prev_close] * 100 # 计算换手率模拟用当日成交量/假设的流通股本 # 这里简化处理用成交额的对数作为活跃度指标 review_df[activity_score] np.log1p(review_df[amount]) return review_df def plot_index_performance(metrics_df, indices_list): 绘制主要指数表现图表 idx_data metrics_df[metrics_df[symbol].isin(indices_list)].sort_values(change_pct) fig, axes plt.subplots(1, 2, figsize(14, 5)) # 子图1涨跌幅柱状图 axes[0].barh(idx_data[symbol], idx_data[change_pct], color[green if x0 else red for x in idx_data[change_pct]]) axes[0].axvline(x0, colorblack, linestyle-, linewidth0.8) axes[0].set_xlabel(涨跌幅 (%)) axes[0].set_title(f主要指数涨跌幅对比) for i, v in enumerate(idx_data[change_pct]): axes[0].text(v, i, f{v:.2f}%, vacenter, haleft if v0 else right) # 子图2振幅与成交额散点图气泡大小代表成交额 scatter axes[1].scatter(idx_data[amplitude], idx_data[change_pct], sidx_data[activity_score]*3, alpha0.6, cidx_data[change_pct], cmapRdYlGn) axes[1].axhline(y0, colorblack, linestyle-, linewidth0.8) axes[1].axvline(xidx_data[amplitude].mean(), colorgrey, linestyle--, linewidth0.8, labelf平均振幅{idx_data[amplitude].mean():.2f}%) axes[1].set_xlabel(振幅 (%)) axes[1].set_ylabel(涨跌幅 (%)) axes[1].set_title(指数波动与收益关系气泡大小活跃度) axes[1].legend() plt.colorbar(scatter, axaxes[1], label涨跌幅) plt.tight_layout() plt.savefig(index_performance.png, dpi150) plt.show() def analyze_market_breadth(metrics_df, sector_list): 分析市场广度板块涨跌分布 sector_data metrics_df[metrics_df[symbol].isin(sector_list)].copy() sector_data[direction] sector_data[change_pct].apply(lambda x: 上涨 if x 0 else 下跌) breadth_summary sector_data[direction].value_counts() avg_up sector_data[sector_data[direction]上涨][change_pct].mean() avg_down sector_data[sector_data[direction]下跌][change_pct].mean() print( 市场广度分析板块层面) print(f上涨板块数量{breadth_summary.get(上涨, 0)}平均涨幅{avg_up:.2f}%) print(f下跌板块数量{breadth_summary.get(下跌, 0)}平均跌幅{avg_down:.2f}%) print(f涨跌比{breadth_summary.get(上涨, 0)}:{breadth_summary.get(下跌, 0)}) # 绘制板块涨跌分布图 fig, ax plt.subplots(figsize(8, 6)) colors [lightgreen if x0 else lightcoral for x in sector_data[change_pct]] bars ax.barh(sector_data[symbol], sector_data[change_pct], colorcolors) ax.set_xlabel(涨跌幅 (%)) ax.set_title(板块涨跌分布图) ax.axvline(x0, colorblack, linewidth0.8) for bar, pct in zip(bars, sector_data[change_pct]): ax.text(pct, bar.get_y() bar.get_height()/2, f{pct:.2f}%, vacenter, haleft if pct0 else right, fontsize9) plt.tight_layout() plt.savefig(sector_breadth.png, dpi150) plt.show() return breadth_summary def calculate_correlation_matrix(df, symbols, lookback_days5): 计算最近N个交易日收益率的相关性矩阵 # 提取数据 recent_dates sorted(df[date].unique())[-lookback_days:] recent_data df[df[date].isin(recent_dates)] # 透视表行为日期列为标的值为收盘价 pivot_close recent_data.pivot_table(indexdate, columnssymbol, valuesclose) # 计算日收益率 pivot_returns pivot_close.pct_change().dropna() # 计算相关系数矩阵 corr_matrix pivot_returns.corr() # 绘制热力图 plt.figure(figsize(10, 8)) mask np.triu(np.ones_like(corr_matrix, dtypebool)) # 只显示下三角 sns.heatmap(corr_matrix, maskmask, annotTrue, fmt.2f, cmapcoolwarm, center0, squareTrue, linewidths.5, cbar_kws{shrink: .8}) plt.title(f最近{lookback_days}个交易日收益率相关性矩阵热力图) plt.tight_layout() plt.savefig(correlation_heatmap.png, dpi150) plt.show() # 识别强相关和弱相关对 strong_pairs [] weak_pairs [] for i in range(len(corr_matrix.columns)): for j in range(i1, len(corr_matrix.columns)): corr corr_matrix.iloc[i, j] if corr 0.7: strong_pairs.append((corr_matrix.columns[i], corr_matrix.columns[j], corr)) elif corr 0.2: weak_pairs.append((corr_matrix.columns[i], corr_matrix.columns[j], corr)) print(f\n 相关性显著特征 ) print(强正相关相关系数0.7:) for a, b, c in strong_pairs[:5]: # 只显示前几对 print(f {a} 与 {b}: {c:.3f}) print(\n弱相关相关系数0.2:) for a, b, c in weak_pairs[:5]: print(f {a} 与 {b}: {c:.3f}) return corr_matrix def simulate_strategy_attribution(metrics_df, index_symbol沪深300): 模拟一个简单策略等权重持有所有板块并进行绩效归因 # 策略等权重投资所有板块 sectors [s for s in metrics_df[symbol].unique() if s not in [沪深300, 中证500, 创业板指]] sector_returns metrics_df.set_index(symbol).loc[sectors, daily_return] # 策略日收益率 板块等权组合的平均收益 strategy_return sector_returns.mean() # 基准日收益率 沪深300指数收益 benchmark_return metrics_df.set_index(symbol).loc[index_symbol, daily_return] # 计算超额收益Alpha alpha strategy_return - benchmark_return # 计算各板块对超额收益的贡献简化版 contribution {} for sector in sectors: # 贡献 (板块收益 - 基准收益) * 权重 contrib (sector_returns[sector] - benchmark_return) * (1/len(sectors)) contribution[sector] contrib print(f\n 简单策略绩效归因基准{index_symbol}) print(f策略日收益率{strategy_return:.4%}) print(f基准日收益率{benchmark_return:.4%}) print(f超额收益Alpha{alpha:.4%}) print(f\n各板块对超额收益的贡献) for sector, contrib in sorted(contribution.items(), keylambda x: x[1], reverseTrue): print(f {sector:10s}{contrib:.4%}) # 绘制贡献度条形图 contrib_series pd.Series(contribution) colors [green if x0 else red for x in contrib_series.values] plt.figure(figsize(10, 5)) bars plt.bar(contrib_series.index, contrib_series.values * 100, colorcolors) # 转换为百分比 plt.axhline(y0, colorblack, linewidth0.8) plt.ylabel(贡献度 (%)) plt.title(f各板块对策略超额收益的贡献相对于{index_symbol}) plt.xticks(rotation45) for bar, val in zip(bars, contrib_series.values): plt.text(bar.get_x() bar.get_width()/2, bar.get_height(), f{val*100:.2f}%, hacenter, vabottom if val0 else top, fontsize9) plt.tight_layout() plt.savefig(strategy_attribution.png, dpi150) plt.show() return strategy_return, benchmark_return, alpha, contribution # 主程序执行 if __name__ __main__: # 设定复盘日期 REVIEW_DATE datetime(2026, 7, 31).date() print(f开始执行市场复盘分析复盘日期{REVIEW_DATE}) print(*50) # 假设 df_market 是已经加载或模拟好的数据 # 这里我们调用之前的数据模拟函数来生成数据实际应用中请替换为数据加载代码 from simulate_market_data import df_market # 假设模拟数据脚本在同一目录 # 步骤1计算复盘日指标 print(\n[步骤1] 计算基础行情指标...) df_review calculate_daily_metrics(df_market, REVIEW_DATE) # 步骤2分析主要指数表现 print(\n[步骤2] 分析主要指数表现并生成图表...) plot_index_performance(df_review, [沪深300, 中证500, 创业板指]) # 步骤3分析市场广度板块 print(\n[步骤3] 分析市场广度...) analyze_market_breadth(df_review, [银行, 新能源, 半导体, 消费, 医药, 周期]) # 步骤4计算相关性矩阵 print(\n[步骤4] 计算板块间相关性...) all_symbols df_review[symbol].unique() corr_matrix calculate_correlation_matrix(df_market, all_symbols, lookback_days5) # 步骤5策略绩效归因模拟 print(\n[步骤5] 进行策略绩效归因分析...) strat_ret, bench_ret, alpha, contrib simulate_strategy_attribution(df_review, 沪深300) print(\n *50) print(自动化复盘分析执行完毕所有图表已保存至当前目录。) print(生成文件index_performance.png, sector_breadth.png, correlation_heatmap.png, strategy_attribution.png)6. 运行结果与效果验证运行auto_market_review.py脚本后你将在控制台看到详细的文本分析结果并在当前目录下生成四张分析图表。预期控制台输出摘要开始执行市场复盘分析复盘日期2026-07-31 [步骤1] 计算基础行情指标... [步骤2] 分析主要指数表现并生成图表... 图表窗口弹出显示指数涨跌幅对比和波动-收益散点图 [步骤3] 分析市场广度... 市场广度分析板块层面 上涨板块数量4平均涨幅1.25% 下跌板块数量2平均跌幅-0.67% 涨跌比4:2 图表窗口弹出显示板块涨跌分布条形图 [步骤4] 计算板块间相关性... 相关性显著特征 强正相关相关系数0.7: 银行 与 周期: 0.832 新能源 与 半导体: 0.781 ... 图表窗口弹出显示相关性热力图 [步骤5] 进行策略绩效归因分析... 简单策略绩效归因基准沪深300 策略日收益率0.85% 基准日收益率0.62% 超额收益Alpha0.23% ... 图表窗口弹出显示各板块对超额收益的贡献图 自动化复盘分析执行完毕...如何验证分析是否成功图表生成检查当前目录下是否生成了四个PNG图片文件。这证明可视化模块运行正常。数据一致性对比控制台输出的涨跌板块数量、平均涨跌幅与sector_breadth.png图表中的条形图是否一致。逻辑自洽在strategy_attribution.png中贡献度为正的板块其日收益率应高于基准沪深300贡献度为负的则相反。可以手动核对几个板块的数据。相关性热力图检查热力图对角线是否为1自身完全相关且矩阵是否对称。强相关对红色和弱相关对蓝色的分布是否符合近期市场逻辑例如同产业链板块相关性强。如果运行报错最常见的原因是数据格式问题或缺少依赖库。请确保df_market这个DataFrame的列名date,symbol,close等与代码中的引用完全一致。7. 常见问题与排查思路问题现象可能原因排查方式解决方案运行脚本后无任何输出也无图表弹出。1. 代码中存在语法错误未执行到主程序。2.if __name__ __main__:下的代码块未正确缩进。3. 数据加载失败df_market为空。1. 在命令行使用python -m py_compile auto_market_review.py检查语法。2. 在脚本开头添加print(“脚本开始执行”)测试。3. 检查simulate_market_data.py是否在同一目录或替换为真实数据加载代码后打印df_market.head()。1. 根据错误信息修正语法。2. 确保主程序代码缩进正确。3. 确保数据源路径正确数据格式符合要求。图表能弹出但中文显示为方框。系统中未安装代码中指定的中文字体如‘SimHei’黑体。注释掉plt.rcParams[‘font.sans-serif’]这行使用默认英文字体测试。1. 安装中文字体或修改为系统已有的中文字体名。2. 使用英文标签避免中文显示问题。calculate_daily_metrics函数报错KeyError: ‘close’。df_marketDataFrame 中不存在名为‘close’的列或列名有空格、大小写不一致。打印df_market.columns查看所有列名。修改代码中的列名引用使其与实际数据列名完全一致。注意大小写和空格。相关性热力图显示全部为NaN或1。在计算收益率pct_change()时数据可能包含非数值、无穷大或全部相同值。lookback_days可能太小。检查pivot_close数据print(pivot_close.head())print(pivot_close.isnull().sum())。1. 确保数据清洗无误没有NaN或inf。2. 增加lookback_days到10或20以获得足够样本计算相关性。策略归因结果中所有板块贡献度都为0或异常小。benchmark_return计算错误或sector_returns数据异常。分别打印benchmark_return和sector_returns的值进行核对。检查metrics_df.set_index(‘symbol’)是否正确索引到了基准指数和板块数据。确保复盘日数据完整。8. 最佳实践与工程建议将上述脚本用于真实生产环境或每日复盘你需要考虑以下工程化改进数据源接入将simulate_market_data.py替换为从真实数据源如Tushare、AkShare、聚宽API、本地数据库获取数据的函数。务必加入异常处理和重试机制。import akshare as ak def fetch_real_data(symbols, start_date, end_date): all_data [] for sym in symbols: try: # 示例使用akshare注意检查接口稳定性 df ak.stock_zh_a_hist(symbolsym, perioddaily, start_datestart_date, end_dateend_date, adjustqfq) df[symbol] sym all_data.append(df) except Exception as e: print(f获取 {sym} 数据失败: {e}) # 记录日志或发送警报 return pd.concat(all_data, ignore_indexTrue)配置化管理将复盘日期、分析的指数/板块列表、相关性回顾周期等参数提取到配置文件如config.yaml中提高灵活性。# config.yaml review: date: 2026-07-31 indices: [‘沪深300’, ‘中证500’, ‘创业板指’] sectors: [‘银行’, ‘新能源’, ‘半导体’, ‘消费’, ‘医药’, ‘周期’] analysis: correlation_lookback_days: 10 benchmark_index: ‘沪深300’报告自动化使用Jinja2等模板引擎将文本分析结果和图表路径整合自动生成HTML或PDF格式的每日复盘报告并通过邮件或企业微信机器人推送。历史回测与对比扩展系统不仅分析单日数据还能将当日关键指标如市场广度、平均相关性、波动率与历史均值、分位数进行比较判断当前市场处于何种状态狂热、恐慌、平淡。策略集成将绩效归因模块与你真实的投资组合对接。读取组合持仓和交易记录自动计算每日的真实Alpha、Beta、夏普比率等风险收益指标实现真正的每日策略健康度检查。错误处理与日志为每个核心函数添加完善的try...except块并使用logging模块记录运行日志便于后期排查问题。代码封装与调度将整个复盘流程封装成一个类如MarketReviewer并使用schedule库或操作系统定时任务如cron, Windows Task Scheduler实现收盘后自动触发复盘分析。这套系统的价值不在于预测明天是涨是跌而在于它提供了一套客观、一致、可追溯的分析框架。它强迫你用量化的眼光看待市场过滤情绪聚焦信号。当你持续运行它几周或几个月后回溯这些结构化的分析结果你对市场节奏和自身策略优劣的理解会远超每天阅读十篇碎片化的复盘文章。
Python量化复盘系统：从数据到策略的自动化分析框架
最近很多朋友在后台问我为什么感觉现在的市场复盘文章越来越“水”了打开一篇要么是数据的简单罗列要么是“震荡上行”、“结构性机会”之类的车轱辘话看完之后对明天的操作依然毫无头绪。这背后反映的其实是传统复盘方法在信息爆炸时代的失效。数据只是历史的影子而我们需要的是照亮前路的灯。今天我们不聊某一天的具体涨跌而是彻底拆解一套能让你真正“用起来”的量化复盘系统。我将以一份模拟的“2026年07月31日”市场数据为蓝本带你从零开始用Python搭建一个自动化复盘分析框架。你会发现复盘的核心不是记录而是通过程序化的思维将市场噪音过滤掉提炼出可持续跟踪的信号与模式。无论你是量化交易新手还是希望提升分析效率的资深投资者这套方法都能将你从繁杂的日报阅读中解放出来把精力聚焦在策略优化上。1. 这篇文章真正要解决的问题从“看热闹”到“做分析”绝大多数投资者的复盘停留在“陈述事实”层面“今天指数涨了某某板块领涨成交量多少”。这种复盘的价值极低因为它没有回答关键问题涨跌背后的驱动力是什么这种状态是否可持续我的策略在这种市场环境下表现如何本文要解决的正是这个痛点。我们将实现一个系统它能够自动处理原始数据代替人工收集和整理行情数据。进行多维度的量化分析不仅看涨跌更要分析波动率、相关性、资金流向、市场情绪等。生成结构化的分析报告输出可直接用于投资决策的图表和结论。实现策略绩效归因如果你的策略今天盈利或亏损系统能告诉你有多少是市场Beta的贡献有多少是选股Alpha的贡献。我们将使用Python的核心数据分析库Pandas, NumPy和可视化库Matplotlib, Seaborn来构建。即使你Python基础一般也能跟随步骤完成。我们的目标不是预测2026年7月31日的市场而是掌握一套在任何时间点都能复用的分析方法。2. 核心概念与量化复盘框架在开始敲代码之前我们需要明确几个关键概念它们构成了我们复盘系统的骨架行情数据Market Data最基本的数据包括开盘价、最高价、最低价、收盘价、成交量、成交额。这是所有分析的起点。收益率Return今日收盘价相对于昨日收盘价的变化百分比。这是衡量涨跌的直接指标但单一日的收益率噪音很大。波动率Volatility价格波动的剧烈程度。高波动率往往意味着不确定性高或分歧大。我们通常用收益率的标准差来衡量。相关性Correlation不同股票或板块之间价格变动的联动程度。例如当银行股上涨时保险股是否也倾向于上涨相关性分析能帮助我们理解板块轮动和风险分散。资金流向Money Flow粗略估算资金是流入还是流出某个标的。常用的是“资金净流入”概念基于成交额和价格变化计算是观察主力动向的参考指标之一。市场广度Market Breadth上涨家数与下跌家数的对比。一个指数大涨但多数股票下跌的市场涨指数跌个股其健康度通常不如指数温和上涨但多数股票也上涨的市场。绩效归因Performance Attribution将投资组合的整体收益分解为几个部分比如市场整体上涨带来的收益Beta收益、个股选择带来的超额收益Alpha收益、行业配置带来的收益等。我们的复盘系统将围绕这些概念展开。与主观描述不同我们将为每一个概念找到可计算、可量化的指标。3. 环境准备与数据获取模拟3.1 环境准备确保你的Python环境已安装以下库。在命令行中使用pip安装pip install pandas numpy matplotlib seaborn3.2 模拟“2026-07-31”行情数据由于无法获取真实未来数据我们将用Python模拟生成一个包含“三大指数”假设为沪深300、中证500、创业板指和若干代表性板块如银行、新能源、半导体的行情数据集。这完全是为了演示分析流程。# 文件simulate_market_data.py import pandas as pd import numpy as np from datetime import datetime, timedelta # 设置随机种子确保结果可复现 np.random.seed(20260731) # 定义标的列表 indices [沪深300, 中证500, 创业板指] sectors [银行, 新能源, 半导体, 消费, 医药, 周期] # 生成日期序列假设有最近20个交易日的数据以‘2026-07-31’为最后一天 end_date datetime(2026, 7, 31) dates pd.date_range(endend_date, periods20, freqB) # B 代表工作日 # 初始化一个空的DataFrame来存储所有数据 all_data [] for ticker in indices sectors: # 为每个标的生成一个模拟的起始价格 base_price np.random.uniform(50, 200) # 生成每日收益率服从正态分布均值为0.0005标准差为0.02 daily_returns np.random.normal(loc0.0005, scale0.02, sizelen(dates)) # 计算价格序列 prices base_price * (1 daily_returns).cumprod() # 生成成交量与价格和波动性相关 volumes np.random.lognormal(mean15, sigma0.5, sizelen(dates)) * (1 np.abs(daily_returns)*10) for i, date in enumerate(dates): all_data.append({ date: date.date(), symbol: ticker, open: prices[i] * np.random.uniform(0.995, 1.005), high: prices[i] * np.random.uniform(1.005, 1.015), low: prices[i] * np.random.uniform(0.985, 0.995), close: prices[i], volume: int(volumes[i]) }) # 创建DataFrame df_market pd.DataFrame(all_data) # 计算成交额 df_market[amount] df_market[close] * df_market[volume] print(f模拟数据概览共 {len(df_market)} 行记录) print(df_market.head()) print(f\n最后交易日2026-07-31数据预览) print(df_market[df_market[date] end_date.date()].head(6))运行这段代码我们就得到了一个包含过去20个交易日、9个标的的模拟行情数据框DataFrame。symbol列区分指数和板块。4. 核心分析流程拆解我们的自动化复盘将分为四个核心步骤每一步都会产生相应的分析结果和图表。步骤一基础行情统计与可视化计算并展示主要指数在复盘日2026-07-31的关键数据。步骤二市场深度与广度分析分析全市场用板块模拟的涨跌分布、成交活跃度。步骤三相关性分析与风险洞察计算不同板块间的收益率相关性识别联动或分化的结构。步骤四简单策略绩效模拟与归因模拟一个简单的投资组合分析其当日收益来源。5. 完整代码实现构建自动化复盘系统我们将把上述步骤整合到一个脚本中。为了清晰我们使用函数式编程来组织代码。# 文件auto_market_review.py import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime # 设置中文字体和图表样式 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 sns.set_style(whitegrid) # 1. 数据准备与加载函数 (这里直接使用之前模拟的数据框 df_market) # 假设 df_market 已经存在。在实际应用中这里会是读取数据库或CSV文件的代码。 # df_market pd.read_csv(market_data_20260731.csv) def calculate_daily_metrics(df, review_date): 计算复盘日的基础指标 review_df df[df[date] review_date].copy() prev_date df[df[date] review_date][date].max() prev_df df[df[date] prev_date].copy() # 合并昨日收盘价 prev_close_map prev_df.set_index(symbol)[close].to_dict() review_df[prev_close] review_df[symbol].map(prev_close_map) # 计算日收益率、涨跌幅、振幅 review_df[daily_return] (review_df[close] - review_df[prev_close]) / review_df[prev_close] review_df[change_pct] review_df[daily_return] * 100 review_df[amplitude] (review_df[high] - review_df[low]) / review_df[prev_close] * 100 # 计算换手率模拟用当日成交量/假设的流通股本 # 这里简化处理用成交额的对数作为活跃度指标 review_df[activity_score] np.log1p(review_df[amount]) return review_df def plot_index_performance(metrics_df, indices_list): 绘制主要指数表现图表 idx_data metrics_df[metrics_df[symbol].isin(indices_list)].sort_values(change_pct) fig, axes plt.subplots(1, 2, figsize(14, 5)) # 子图1涨跌幅柱状图 axes[0].barh(idx_data[symbol], idx_data[change_pct], color[green if x0 else red for x in idx_data[change_pct]]) axes[0].axvline(x0, colorblack, linestyle-, linewidth0.8) axes[0].set_xlabel(涨跌幅 (%)) axes[0].set_title(f主要指数涨跌幅对比) for i, v in enumerate(idx_data[change_pct]): axes[0].text(v, i, f{v:.2f}%, vacenter, haleft if v0 else right) # 子图2振幅与成交额散点图气泡大小代表成交额 scatter axes[1].scatter(idx_data[amplitude], idx_data[change_pct], sidx_data[activity_score]*3, alpha0.6, cidx_data[change_pct], cmapRdYlGn) axes[1].axhline(y0, colorblack, linestyle-, linewidth0.8) axes[1].axvline(xidx_data[amplitude].mean(), colorgrey, linestyle--, linewidth0.8, labelf平均振幅{idx_data[amplitude].mean():.2f}%) axes[1].set_xlabel(振幅 (%)) axes[1].set_ylabel(涨跌幅 (%)) axes[1].set_title(指数波动与收益关系气泡大小活跃度) axes[1].legend() plt.colorbar(scatter, axaxes[1], label涨跌幅) plt.tight_layout() plt.savefig(index_performance.png, dpi150) plt.show() def analyze_market_breadth(metrics_df, sector_list): 分析市场广度板块涨跌分布 sector_data metrics_df[metrics_df[symbol].isin(sector_list)].copy() sector_data[direction] sector_data[change_pct].apply(lambda x: 上涨 if x 0 else 下跌) breadth_summary sector_data[direction].value_counts() avg_up sector_data[sector_data[direction]上涨][change_pct].mean() avg_down sector_data[sector_data[direction]下跌][change_pct].mean() print( 市场广度分析板块层面) print(f上涨板块数量{breadth_summary.get(上涨, 0)}平均涨幅{avg_up:.2f}%) print(f下跌板块数量{breadth_summary.get(下跌, 0)}平均跌幅{avg_down:.2f}%) print(f涨跌比{breadth_summary.get(上涨, 0)}:{breadth_summary.get(下跌, 0)}) # 绘制板块涨跌分布图 fig, ax plt.subplots(figsize(8, 6)) colors [lightgreen if x0 else lightcoral for x in sector_data[change_pct]] bars ax.barh(sector_data[symbol], sector_data[change_pct], colorcolors) ax.set_xlabel(涨跌幅 (%)) ax.set_title(板块涨跌分布图) ax.axvline(x0, colorblack, linewidth0.8) for bar, pct in zip(bars, sector_data[change_pct]): ax.text(pct, bar.get_y() bar.get_height()/2, f{pct:.2f}%, vacenter, haleft if pct0 else right, fontsize9) plt.tight_layout() plt.savefig(sector_breadth.png, dpi150) plt.show() return breadth_summary def calculate_correlation_matrix(df, symbols, lookback_days5): 计算最近N个交易日收益率的相关性矩阵 # 提取数据 recent_dates sorted(df[date].unique())[-lookback_days:] recent_data df[df[date].isin(recent_dates)] # 透视表行为日期列为标的值为收盘价 pivot_close recent_data.pivot_table(indexdate, columnssymbol, valuesclose) # 计算日收益率 pivot_returns pivot_close.pct_change().dropna() # 计算相关系数矩阵 corr_matrix pivot_returns.corr() # 绘制热力图 plt.figure(figsize(10, 8)) mask np.triu(np.ones_like(corr_matrix, dtypebool)) # 只显示下三角 sns.heatmap(corr_matrix, maskmask, annotTrue, fmt.2f, cmapcoolwarm, center0, squareTrue, linewidths.5, cbar_kws{shrink: .8}) plt.title(f最近{lookback_days}个交易日收益率相关性矩阵热力图) plt.tight_layout() plt.savefig(correlation_heatmap.png, dpi150) plt.show() # 识别强相关和弱相关对 strong_pairs [] weak_pairs [] for i in range(len(corr_matrix.columns)): for j in range(i1, len(corr_matrix.columns)): corr corr_matrix.iloc[i, j] if corr 0.7: strong_pairs.append((corr_matrix.columns[i], corr_matrix.columns[j], corr)) elif corr 0.2: weak_pairs.append((corr_matrix.columns[i], corr_matrix.columns[j], corr)) print(f\n 相关性显著特征 ) print(强正相关相关系数0.7:) for a, b, c in strong_pairs[:5]: # 只显示前几对 print(f {a} 与 {b}: {c:.3f}) print(\n弱相关相关系数0.2:) for a, b, c in weak_pairs[:5]: print(f {a} 与 {b}: {c:.3f}) return corr_matrix def simulate_strategy_attribution(metrics_df, index_symbol沪深300): 模拟一个简单策略等权重持有所有板块并进行绩效归因 # 策略等权重投资所有板块 sectors [s for s in metrics_df[symbol].unique() if s not in [沪深300, 中证500, 创业板指]] sector_returns metrics_df.set_index(symbol).loc[sectors, daily_return] # 策略日收益率 板块等权组合的平均收益 strategy_return sector_returns.mean() # 基准日收益率 沪深300指数收益 benchmark_return metrics_df.set_index(symbol).loc[index_symbol, daily_return] # 计算超额收益Alpha alpha strategy_return - benchmark_return # 计算各板块对超额收益的贡献简化版 contribution {} for sector in sectors: # 贡献 (板块收益 - 基准收益) * 权重 contrib (sector_returns[sector] - benchmark_return) * (1/len(sectors)) contribution[sector] contrib print(f\n 简单策略绩效归因基准{index_symbol}) print(f策略日收益率{strategy_return:.4%}) print(f基准日收益率{benchmark_return:.4%}) print(f超额收益Alpha{alpha:.4%}) print(f\n各板块对超额收益的贡献) for sector, contrib in sorted(contribution.items(), keylambda x: x[1], reverseTrue): print(f {sector:10s}{contrib:.4%}) # 绘制贡献度条形图 contrib_series pd.Series(contribution) colors [green if x0 else red for x in contrib_series.values] plt.figure(figsize(10, 5)) bars plt.bar(contrib_series.index, contrib_series.values * 100, colorcolors) # 转换为百分比 plt.axhline(y0, colorblack, linewidth0.8) plt.ylabel(贡献度 (%)) plt.title(f各板块对策略超额收益的贡献相对于{index_symbol}) plt.xticks(rotation45) for bar, val in zip(bars, contrib_series.values): plt.text(bar.get_x() bar.get_width()/2, bar.get_height(), f{val*100:.2f}%, hacenter, vabottom if val0 else top, fontsize9) plt.tight_layout() plt.savefig(strategy_attribution.png, dpi150) plt.show() return strategy_return, benchmark_return, alpha, contribution # 主程序执行 if __name__ __main__: # 设定复盘日期 REVIEW_DATE datetime(2026, 7, 31).date() print(f开始执行市场复盘分析复盘日期{REVIEW_DATE}) print(*50) # 假设 df_market 是已经加载或模拟好的数据 # 这里我们调用之前的数据模拟函数来生成数据实际应用中请替换为数据加载代码 from simulate_market_data import df_market # 假设模拟数据脚本在同一目录 # 步骤1计算复盘日指标 print(\n[步骤1] 计算基础行情指标...) df_review calculate_daily_metrics(df_market, REVIEW_DATE) # 步骤2分析主要指数表现 print(\n[步骤2] 分析主要指数表现并生成图表...) plot_index_performance(df_review, [沪深300, 中证500, 创业板指]) # 步骤3分析市场广度板块 print(\n[步骤3] 分析市场广度...) analyze_market_breadth(df_review, [银行, 新能源, 半导体, 消费, 医药, 周期]) # 步骤4计算相关性矩阵 print(\n[步骤4] 计算板块间相关性...) all_symbols df_review[symbol].unique() corr_matrix calculate_correlation_matrix(df_market, all_symbols, lookback_days5) # 步骤5策略绩效归因模拟 print(\n[步骤5] 进行策略绩效归因分析...) strat_ret, bench_ret, alpha, contrib simulate_strategy_attribution(df_review, 沪深300) print(\n *50) print(自动化复盘分析执行完毕所有图表已保存至当前目录。) print(生成文件index_performance.png, sector_breadth.png, correlation_heatmap.png, strategy_attribution.png)6. 运行结果与效果验证运行auto_market_review.py脚本后你将在控制台看到详细的文本分析结果并在当前目录下生成四张分析图表。预期控制台输出摘要开始执行市场复盘分析复盘日期2026-07-31 [步骤1] 计算基础行情指标... [步骤2] 分析主要指数表现并生成图表... 图表窗口弹出显示指数涨跌幅对比和波动-收益散点图 [步骤3] 分析市场广度... 市场广度分析板块层面 上涨板块数量4平均涨幅1.25% 下跌板块数量2平均跌幅-0.67% 涨跌比4:2 图表窗口弹出显示板块涨跌分布条形图 [步骤4] 计算板块间相关性... 相关性显著特征 强正相关相关系数0.7: 银行 与 周期: 0.832 新能源 与 半导体: 0.781 ... 图表窗口弹出显示相关性热力图 [步骤5] 进行策略绩效归因分析... 简单策略绩效归因基准沪深300 策略日收益率0.85% 基准日收益率0.62% 超额收益Alpha0.23% ... 图表窗口弹出显示各板块对超额收益的贡献图 自动化复盘分析执行完毕...如何验证分析是否成功图表生成检查当前目录下是否生成了四个PNG图片文件。这证明可视化模块运行正常。数据一致性对比控制台输出的涨跌板块数量、平均涨跌幅与sector_breadth.png图表中的条形图是否一致。逻辑自洽在strategy_attribution.png中贡献度为正的板块其日收益率应高于基准沪深300贡献度为负的则相反。可以手动核对几个板块的数据。相关性热力图检查热力图对角线是否为1自身完全相关且矩阵是否对称。强相关对红色和弱相关对蓝色的分布是否符合近期市场逻辑例如同产业链板块相关性强。如果运行报错最常见的原因是数据格式问题或缺少依赖库。请确保df_market这个DataFrame的列名date,symbol,close等与代码中的引用完全一致。7. 常见问题与排查思路问题现象可能原因排查方式解决方案运行脚本后无任何输出也无图表弹出。1. 代码中存在语法错误未执行到主程序。2.if __name__ __main__:下的代码块未正确缩进。3. 数据加载失败df_market为空。1. 在命令行使用python -m py_compile auto_market_review.py检查语法。2. 在脚本开头添加print(“脚本开始执行”)测试。3. 检查simulate_market_data.py是否在同一目录或替换为真实数据加载代码后打印df_market.head()。1. 根据错误信息修正语法。2. 确保主程序代码缩进正确。3. 确保数据源路径正确数据格式符合要求。图表能弹出但中文显示为方框。系统中未安装代码中指定的中文字体如‘SimHei’黑体。注释掉plt.rcParams[‘font.sans-serif’]这行使用默认英文字体测试。1. 安装中文字体或修改为系统已有的中文字体名。2. 使用英文标签避免中文显示问题。calculate_daily_metrics函数报错KeyError: ‘close’。df_marketDataFrame 中不存在名为‘close’的列或列名有空格、大小写不一致。打印df_market.columns查看所有列名。修改代码中的列名引用使其与实际数据列名完全一致。注意大小写和空格。相关性热力图显示全部为NaN或1。在计算收益率pct_change()时数据可能包含非数值、无穷大或全部相同值。lookback_days可能太小。检查pivot_close数据print(pivot_close.head())print(pivot_close.isnull().sum())。1. 确保数据清洗无误没有NaN或inf。2. 增加lookback_days到10或20以获得足够样本计算相关性。策略归因结果中所有板块贡献度都为0或异常小。benchmark_return计算错误或sector_returns数据异常。分别打印benchmark_return和sector_returns的值进行核对。检查metrics_df.set_index(‘symbol’)是否正确索引到了基准指数和板块数据。确保复盘日数据完整。8. 最佳实践与工程建议将上述脚本用于真实生产环境或每日复盘你需要考虑以下工程化改进数据源接入将simulate_market_data.py替换为从真实数据源如Tushare、AkShare、聚宽API、本地数据库获取数据的函数。务必加入异常处理和重试机制。import akshare as ak def fetch_real_data(symbols, start_date, end_date): all_data [] for sym in symbols: try: # 示例使用akshare注意检查接口稳定性 df ak.stock_zh_a_hist(symbolsym, perioddaily, start_datestart_date, end_dateend_date, adjustqfq) df[symbol] sym all_data.append(df) except Exception as e: print(f获取 {sym} 数据失败: {e}) # 记录日志或发送警报 return pd.concat(all_data, ignore_indexTrue)配置化管理将复盘日期、分析的指数/板块列表、相关性回顾周期等参数提取到配置文件如config.yaml中提高灵活性。# config.yaml review: date: 2026-07-31 indices: [‘沪深300’, ‘中证500’, ‘创业板指’] sectors: [‘银行’, ‘新能源’, ‘半导体’, ‘消费’, ‘医药’, ‘周期’] analysis: correlation_lookback_days: 10 benchmark_index: ‘沪深300’报告自动化使用Jinja2等模板引擎将文本分析结果和图表路径整合自动生成HTML或PDF格式的每日复盘报告并通过邮件或企业微信机器人推送。历史回测与对比扩展系统不仅分析单日数据还能将当日关键指标如市场广度、平均相关性、波动率与历史均值、分位数进行比较判断当前市场处于何种状态狂热、恐慌、平淡。策略集成将绩效归因模块与你真实的投资组合对接。读取组合持仓和交易记录自动计算每日的真实Alpha、Beta、夏普比率等风险收益指标实现真正的每日策略健康度检查。错误处理与日志为每个核心函数添加完善的try...except块并使用logging模块记录运行日志便于后期排查问题。代码封装与调度将整个复盘流程封装成一个类如MarketReviewer并使用schedule库或操作系统定时任务如cron, Windows Task Scheduler实现收盘后自动触发复盘分析。这套系统的价值不在于预测明天是涨是跌而在于它提供了一套客观、一致、可追溯的分析框架。它强迫你用量化的眼光看待市场过滤情绪聚焦信号。当你持续运行它几周或几个月后回溯这些结构化的分析结果你对市场节奏和自身策略优劣的理解会远超每天阅读十篇碎片化的复盘文章。