堆5个K线指标，不如1张直方图诚实｜3只票3个月，位置感变数字

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。

本文约 3800 字（含代码） | 预计阅读 9 分钟

· · ·

打开交易软件，把一只票近三个月的日K拉出来，现在算高算低，看一眼心里就有数了。这一眼确实有用。

但如果你想把这份位置感用起来，很快会碰到三个坎。

第一，天数数不出来。图上那条线在某个区间来回晃了多少天，肉眼只能给个大概，给不出准数。

第二，说不出数字。你没法在筛选条件里写「位置偏高一点」，程序听不懂。位置感要能写进代码，先得变成一个数。

第三，没法批量。盯一只票可以看图，可要是想扫一遍自选股，甚至全市场几千只，总不能一张图一张图翻过去。

这三个坎，用同一个笨办法一起迈过去。周末我写了个小脚本，把三只熟悉的票的收盘价重新数了一遍，方法简单到不好意思写，数出来的东西却能直接接进量化系统。这篇把数法和结果一起交出来。

二、63 天收盘价，重新数一遍

三只票大家熟，宁德时代、贵州茅台、中际旭创。取 2026 年 6 月 24 日到 9 月 18 日，63 个交易日的日收盘价，前复权（把分红除权造成的价格断层抹平，三个月前的价格和今天才可比），数据走新浪财经的日线接口。

数法只有三步。第一步算统计量，均值、中位数、最高最低。第二步把三个月的价格范围切成五个等宽的段，数每天收盘价落在哪一段，算占比。第三步画直方图，均值和中位数各画一条竖线。

没有参数要调，全程就是计数，pandas 十几行代码的事。下面三张分布图，一只票一个形状。

三、方法一句话，把时间轴扔掉

K线回答的问题是价格什么时候走到这里。直方图把时间轴直接扔掉，只问另一件事，这 63 天里，收盘价落在每一段的天数各有多少。

把 63 个收盘价想成 63 个包裹，按楼层分堆。哪一层堆得最多，市场就在那一层反复停留，买家卖家在那里达成过大量共识。哪一层基本是空的，价格路过时就没打算停。

高段是市场反复住过的楼层，价格一次次回去又被接住。空段是快速通过的走廊。两坨密集区中间夹着一段空白，多半是价格从旧区间搬进新区间留下的脚印。

所有结论都来自这只票自己最近 63 天的成交记录，没有任何拟合参数。

四、茅台，一条空走廊

先看茅台的五段表。

最扎眼的是第二行。1207 到 1246 这 39 块的走廊，63 天只停过 2 天，两侧却一边堆着 13 天，一边堆着 10 天。价格两次穿过走廊，都没停。

均值 1277.68，中位数 1293.09，差了 15 块。差值朝下，说明分布被左侧的低价日拖了尾巴，超过一半的日子其实停在更高的位置。

再看 1285 到 1323 那一段，27 天，占 42.86%。茅台这个季度将近一半的时间就待在这 39 块里。9 月 18 日收盘 1257.12，恰好落回那条空走廊。走廊目前是空的，市场接下来要决定的是把它当成路过的一层，还是重新住下来。

五、宁德，密集区悬在头顶

形状和茅台相反。最上面两段加起来 44 天，占 69.84%，这只票三季度大部分时间在 363 到 404 之间活动，重心一路向上。

然后是最近的现实。9 月 18 日收盘 301.95，正好是这 63 天的最低价，两个月里价格把整个密集区从头穿到了脚。

这正是直方图最诚实的地方。363 到 404 的每一段，都堆着大量成交过的日子，市场在那几层楼反复住过。现在价格站在楼底往上看，那些楼层会不会变成上行的阻力，直方图不回答，它只把楼层数清楚，剩下的交给市场。

六、旭创，重心压在楼底

一根标准的下行楼梯，逐级递减，一段空白都没有。41.27% 的日子挤在最低一段，冲得越高，停留的天数越少。标准差 136.68（衡量波动的剧烈程度），是宁德 25.41 的五倍多，这三个月三只票里它最闹腾。

均值 992.65，中位数 943.00，这次反了过来，均值高出 50 块。少数冲高的日子把均值拽上去，大多数日子其实活在低位。

9 月 18 日收 926.43，又回到最低密集区的上沿。楼梯形状的含义很直接，市场每次向上冲都没能停住，上面的稀疏区成了一道接一道的考题。

七、三种形状，对照着看

形状比单个数字有信息量。均值和中位数的差告诉你分布朝哪边歪，空白段告诉你价格从哪搬来，密集段告诉你市场在哪实打实驻扎过。

八、它不灵的地方

这方法也有边界。

它只看收盘价，盘中打出的高低点一律不算，影线里的故事被整个扔掉了。

切段的方式是人为定的，五段是惯例，切成八段数字会跟着变，茅台那条走廊也未必永远空着。

它滞后。63 天的窗口，价格搬完家，分布要好几个星期才慢慢追上。

最重要的一条，它不猜方向。空走廊可以变成新驻扎地，也可能只是路过。直方图提供的是位置感，方向是另一回事。指标同样不猜方向，区别在于直方图把假设压缩到了最少，没有信号线要解释，只有数出来的天数。

九、把位置感变成一个数字，接进你自己的系统

形状能看懂，还差最后一步，让它变成程序能用的数。

我常用的是一个叫位置分的指标，定义很简单，过去 63 天里，收盘价低于今天的天数占比。宁德的位置分是 0.0%，63 天里没有一天收得比 301.95 更低，它正踩在自家三个月的地板上。茅台 27.0%，位置偏低。旭创 47.6%，不上不下。

这个数的好处是能接进流程。写成一个函数，挂到每日收盘后的扫描脚本里，几千只票几分钟跑完，位置分低于 10% 的自动进候选清单，再逐只看图做判断。看图这一步没人省得掉，省下来的是翻图的功夫。

它当然只是个过滤器。位置分低只说明价格踩在自家地板上，地板会不会继续塌，它不回答。别让任何一个单一数字替你做决定。

十、你自己跑一遍

取数一行接口调用。

① 取数，新浪日线前复权

import akshare as ak
import pandas as pd

df = ak.stock_zh_a_daily(symbol="sh600519", adjust="qfq")
df["date"] = pd.to_datetime(df["date"])
close = df[["date", "close"]].dropna().tail(63)["close"]

统计量加五段表，靠的就是 pd.cut 这一行，作用是把连续的价格切成一段一段。

② 统计量加五段表

stats = {
    "均价": round(close.mean(), 2),
    "中位数": round(close.median(), 2),
    "最低": round(close.min(), 2),
    "最高": round(close.max(), 2),
}

bins = pd.cut(close, bins=5)   # 价格范围切成等宽五段
days = close.groupby(bins, observed=False).count()
print((days / len(close) * 100).round(2))

位置分一行就够。

③ 位置分

latest = close.iloc[-1]
pos = (close < latest).mean()   # 收得比今天低的天数占比
print("位置分", round(pos * 100, 1))

直方图加两条竖线，一眼分清均值和中位数谁高谁低。

④ 直方图加均值中位线

import matplotlib.pyplot as plt

plt.hist(close, bins=20, color="#0984e3", edgecolor="black", alpha=0.65)
plt.axvline(close.mean(), color="red", linestyle="dashed", label="均值")
plt.axvline(close.median(), color="darkorange", label="中位数")
plt.legend()
plt.show()

以上数法装上就能用，往下是可直接运行的完整脚本

把 SYMBOL 换成任何一只 A 股，其余不用动。

⑤ 完整脚本

# 价格分布直方图 + 位置分，换 SYMBOL 即可复用
import akshare as ak
import matplotlib.pyplot as plt
import pandas as pd

SYMBOL = "sh600519"   # 任意A股，6开头加sh，0或3开头加sz
DAYS = 63             # 一个季度的交易日

df = ak.stock_zh_a_daily(symbol=SYMBOL, adjust="qfq")
df["date"] = pd.to_datetime(df["date"])
close = df[["date", "close"]].dropna().tail(DAYS)["close"]

print("均价", round(close.mean(), 2), "中位数", round(close.median(), 2))
print("最低", round(close.min(), 2), "最高", round(close.max(), 2))

bins = pd.cut(close, bins=5)
days = close.groupby(bins, observed=False).count()
for rng, n in days.items():
    print(f"{rng.left:.2f} - {rng.right:.2f}  {n}天  {n / len(close) * 100:.2f}%")

latest = close.iloc[-1]
pos = (close < latest).mean()         # 位置分，收得比今天低的天数占比
print("位置分", round(pos * 100, 1))

plt.hist(close, bins=20, color="#0984e3", edgecolor="black", alpha=0.65)
plt.axvline(close.mean(), color="red", linestyle="dashed", label=f"均值 {close.mean():.2f}")
plt.axvline(close.median(), color="darkorange", label=f"中位数 {close.median():.2f}")
plt.legend()
plt.title(f"{SYMBOL} 收盘价分布（近{DAYS}个交易日）")
plt.show()

翻出你拿得最久的那只票，算一下位置分。过去三个月里，有多少天的收盘价比今天低？评论区报个数。

觉得有用的话，把这篇转给同样在搞量化的朋友。

#量化工具 #Python量化 #pandas #价格分布 #直方图 #技术分析 #A股复盘 #宁德时代 #贵州茅台 #中际旭创 #数据分析 #散户工具箱