最近在复盘市场数据时发现很多朋友对如何系统性地分析每日市场行情、解读关键指标感到困惑。网上的信息要么过于零散要么充斥着情绪化的解读缺乏一套清晰、可复用的分析框架。本文将基于一个具体的交易日2026年7月31日的复盘案例手把手教你如何从数据获取、指标计算、图表绘制到深度解读完成一次专业的市场复盘分析。无论你是量化投资的初学者还是希望提升分析效率的资深投资者都能从中获得一套可以直接上手的Python实战方案。1. 市场复盘的核心价值与常用指标在开始实战之前我们首先要明确每日市场复盘的目的远不止于记录涨跌。它是一套系统性的“体检”流程旨在评估市场整体健康状况判断市场处于强势、震荡还是弱势格局。洞察资金流向与风格切换了解资金在板块、市值、概念间的流动。识别关键信号与风险点发现技术面或资金面的异动为后续决策提供依据。验证与修正投资策略用真实市场数据检验策略的有效性。一次完整的复盘通常会关注以下几类核心指标1.1 广度指标市场宽度这类指标反映市场上涨的普遍性而非仅仅是指数的涨跌。涨跌家数比上涨股票数量与下跌股票数量的比值。比值大于1说明市场情绪偏暖上涨具有广度支持。涨跌停家数涨停板家数反映市场最强的做多热情和赚钱效应跌停板家数则反映恐慌情绪和抛压强度。创新高/新低家数创近期新高的股票数量多说明趋势强劲创新低的股票数量多则需警惕系统性风险。1.2 量价指标价格与成交量结合分析是技术分析的基础。成交额与成交量市场的“血液”。放量上涨通常更健康缩量上涨则需警惕。对比历史均量如5日、20日均量更有意义。量比当日成交量与过去5日平均成交量的比值用于衡量成交的活跃度。量比1表示放量。振幅最高价-最低价/ 前收盘价 * 100%。反映当日多空博弈的激烈程度。1.3 资金流向指标追踪聪明钱大资金的动向。北向资金陆股通净流入/流出外资对A股短期情绪和配置意愿的重要风向标。行业/概念资金净流入通过Level-2数据统计揭示日内资金攻击的主要方向。主力资金净流入通常指大单和中单的净额反映机构或大户的动向。1.4 指数与板块表现核心指数涨跌如上证指数、深证成指、创业板指代表市场整体水位。板块涨幅榜/跌幅榜识别当日最强和最弱的风口观察板块轮动节奏。风格指数如沪深300大盘、中证500中盘、中证1000小盘的表现差异判断市场风格偏好。2. 环境准备与数据源说明我们将使用Python来完成整个复盘分析流程。以下环境配置是通用且稳定的方案。2.1 环境与依赖库操作系统Windows 10/11, macOS, Linux 均可。Python版本建议使用 Python 3.8 及以上版本。主要依赖库pandas: 数据处理与分析的核心。numpy: 数值计算。akshare: 一个免费、开源的财经数据接口库是本次实战的数据来源。它数据全面、更新及时完全满足个人复盘需求。matplotlibseaborn: 数据可视化绘制专业图表。jupyter notebook/lab: 交互式编程环境非常适合做数据分析与探索可选但推荐。你可以使用以下命令一次性安装所有依赖pip install pandas numpy akshare matplotlib seaborn # 如果使用Jupyter pip install jupyterlab2.2 数据源AKShare简介AKShare 是一个基于Python的财经数据接口库。其优势在于免费开源无需注册无调用限制合理使用。数据全面覆盖股票、基金、期货、期权、宏观经济、新闻事件等。接口稳定社区维护积极数据源多为东方财富、新浪财经等公开渠道。使用简单返回的数据大多是pandas.DataFrame格式便于直接分析。重要提示由于数据源来自网络公开接口在极端市场行情或网络拥堵时偶尔可能出现数据延迟或短暂获取失败。生产级应用需考虑增加重试机制和备用数据源但对于个人日度复盘AKShare完全够用。3. 实战2026年7月31日市场复盘分析现在我们以“2026年7月31日”这个交易日为例进行完整的复盘分析。整个流程将分为数据获取、指标计算、可视化呈现和结论解读四个部分。3.1 数据获取与清洗首先我们导入必要的库并获取该交易日的关键数据。import akshare as ak import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime # 设置中文显示和图表样式 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, DejaVu Sans] # 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) # 定义复盘日期 review_date 2026-07-31 print(f开始进行 {review_date} 的市场复盘分析...)步骤1获取A股整体市场概况涨跌家数、成交额AKShare的stock_sse_summary和stock_szse_summary接口可以分别获取上交所和深交所的概览数据我们需要合并处理。# 获取上海证券交易所市场概况 sse_df ak.stock_sse_summary() # 获取深圳证券交易所市场概况包含主板、创业板等 szse_df ak.stock_szse_summary() print( 上海证券交易所市场概况 ) print(sse_df.iloc[0]) # 通常最新数据在第一行 print(\n 深圳证券交易所市场概况 ) print(szse_df.iloc[0]) # 注意上述接口返回的是最新数据我们需要筛选指定日期。 # 更可靠的方式是使用历史行情接口这里为了演示我们假设获取到的就是目标日数据。 # 实际应用中应使用带日期参数的历史接口或确保运行复盘脚本的日期是T1日。步骤2获取沪深京A股全市场个股的日行情数据这是计算广度指标和板块分析的基础。# 获取指定日期的A股全体个股行情前复权 # ak.stock_zh_a_hist 用于单只股票批量获取需循环。这里使用更高效的stock_zh_a_spot获取当日快照但历史日期需用其他方法。 # 对于历史复盘一个可行方案是使用第三方平台导出的CSV或使用AKShare的stock_zh_a_hist配合股票列表循环获取较慢。 # 本例中我们使用一个模拟数据集来演示流程重点在于方法。 print(提示实际获取全市场历史日线数据量较大建议使用本地数据库或付费API。) print(以下使用模拟数据演示计算流程。) # 模拟生成2026-07-31的A股市场数据约5000只股票 np.random.seed(20260731) # 固定随机种子确保可复现 num_stocks 5000 # 创建模拟DataFrame mock_market_data pd.DataFrame({ 代码: [f{i:06d}.SH if i%20 else f{i:06d}.SZ for i in range(1, num_stocks1)], 名称: [f股票{i} for i in range(1, num_stocks1)], 涨跌幅: np.random.normal(0.5, 3, num_stocks), # 均涨0.5%标准差3% 成交额(元): np.random.lognormal(18, 1.5, num_stocks), # 对数正态分布模拟成交额 振幅: np.abs(np.random.normal(0, 2, num_stocks)) np.abs(mock_market_data[涨跌幅])*0.5, # 振幅与涨跌幅相关 是否涨停: np.random.choice([True, False], num_stocks, p[0.02, 0.98]), # 约2%涨停 是否跌停: np.random.choice([True, False], num_stocks, p[0.01, 0.99]), # 约1%跌停 所属行业: np.random.choice([计算机, 医药生物, 电子, 新能源, 食品饮料, 银行, 化工, 机械], num_stocks) }) # 确保涨跌停逻辑涨停股票涨跌幅9.5%跌停 -9.5% mock_market_data.loc[mock_market_data[是否涨停], 涨跌幅] np.random.uniform(9.5, 10.5, mock_market_data[是否涨停].sum()) mock_market_data.loc[mock_market_data[是否跌停], 涨跌幅] np.random.uniform(-10.5, -9.5, mock_market_data[是否跌停].sum()) print(f模拟市场数据创建完成共 {len(mock_market_data)} 条记录。) print(mock_market_data.head())步骤3获取主要指数行情# 获取主要指数当日行情 # 使用 ak.stock_zh_index_spot 获取指数实时快照历史数据可用 ak.stock_zh_index_daily index_symbols {sh000001: 上证指数, sz399001: 深证成指, sz399006: 创业板指, sh000300: 沪深300} index_data {} for code, name in index_symbols.items(): try: # 这里以获取历史日线数据为例 df ak.stock_zh_index_daily(symbolcode) # 获取指定日期的数据 daily_data df.loc[review_date] if review_date in df.index else None index_data[name] daily_data print(f{name}({code}) 数据获取成功。) except Exception as e: print(f获取{name}数据失败: {e}) index_data[name] None # 由于网络接口可能无法直接获取2026年数据我们同样模拟一份指数数据 print(\n由于目标日期为未来日期网络接口无法获取以下展示模拟指数数据) mock_index_data pd.DataFrame({ 指数名称: [上证指数, 深证成指, 创业板指, 沪深300], 收盘价: [3200.15, 11500.78, 2400.33, 3800.42], 涨跌幅: [0.62, 0.85, 1.12, 0.70], # 单位% 成交额(亿元): [3500, 4200, 1800, 2200] }) print(mock_index_data)3.2 核心指标计算基于获取到的数据我们现在计算关键的复盘指标。# 使用模拟的个股数据 mock_market_data 进行计算 df mock_market_data.copy() # 1. 广度指标计算 total_stocks len(df) up_stocks len(df[df[涨跌幅] 0]) down_stocks len(df[df[涨跌幅] 0]) flat_stocks total_stocks - up_stocks - down_stocks # 平盘家数 advance_decline_ratio up_stocks / down_stocks if down_stocks 0 else float(inf) limit_up df[是否涨停].sum() limit_down df[是否跌停].sum() print( 市场广度指标 ) print(f上涨家数: {up_stocks} ({up_stocks/total_stocks*100:.1f}%)) print(f下跌家数: {down_stocks} ({down_stocks/total_stocks*100:.1f}%)) print(f)平盘家数: {flat_stocks} ({flat_stocks/total_stocks*100:.1f}%)) print(f涨跌家数比: {advance_decline_ratio:.2f}) print(f涨停家数: {limit_up}) print(f跌停家数: {limit_down}) # 2. 量价指标计算基于模拟数据 total_turnover df[成交额(元)].sum() / 1e8 # 转换为亿元 avg_change df[涨跌幅].mean() median_change df[涨跌幅].median() std_change df[涨跌幅].std() # 表征分化程度 print(\n 市场量价指标 ) print(f市场总成交额: {total_turnover:.2f} 亿元) print(f平均涨跌幅: {avg_change:.2f}%) print(f)涨跌幅中位数: {median_change:.2f}%) print(f涨跌幅标准差: {std_change:.2f}% (分化程度)) # 3. 行业表现分析 industry_performance df.groupby(所属行业).agg({ 涨跌幅: mean, 代码: count, 成交额(元): sum }).rename(columns{代码: 股票数量, 成交额(元): 行业成交额}) industry_performance[行业成交额] industry_performance[行业成交额] / 1e8 industry_performance industry_performance.sort_values(涨跌幅, ascendingFalse) print(\n 行业涨幅榜 (前10) ) print(industry_performance.head(10))3.3 数据可视化呈现图表能让数据结论更直观。我们绘制几个关键图表。# 图表1市场涨跌分布直方图 plt.figure(figsize(12, 5)) plt.subplot(1, 2, 1) plt.hist(df[涨跌幅], bins50, edgecolorblack, alpha0.7) plt.axvline(xavg_change, colorred, linestyle--, labelf均值{avg_change:.2f}%) plt.axvline(xmedian_change, colorgreen, linestyle--, labelf中位数{median_change:.2f}%) plt.xlabel(涨跌幅 (%)) plt.ylabel(股票数量) plt.title(f{review_date} A股个股涨跌幅分布) plt.legend() plt.grid(True, alpha0.3) # 图表2行业涨跌幅与成交额气泡图 plt.subplot(1, 2, 2) # 取股票数量较多的行业 top_industries industry_performance[industry_performance[股票数量] 50] plt.scatter(top_industries.index, top_industries[涨跌幅], stop_industries[行业成交额]/10, # 气泡大小代表成交额 alpha0.6, edgecolorsw, linewidth0.5) plt.axhline(y0, colorgrey, linestyle-, linewidth0.5) plt.xticks(rotation45, haright) plt.xlabel(行业) plt.ylabel(行业平均涨跌幅 (%)) plt.title(行业表现与成交额气泡图(气泡大小成交额)) plt.tight_layout() plt.show() # 图表3核心指数表现对比 plt.figure(figsize(8, 5)) bars plt.bar(mock_index_data[指数名称], mock_index_data[涨跌幅], color[#2E86C1, #17A589, #F39C12, #884EA0]) plt.axhline(y0, colorblack, linestyle-, linewidth0.5) plt.ylabel(涨跌幅 (%)) plt.title(f{review_date} 核心指数涨跌幅对比) # 在柱子上添加数值 for bar in bars: height bar.get_height() plt.text(bar.get_x() bar.get_width()/2., height 0.02, f{height:.2f}%, hacenter, vabottom) plt.tight_layout() plt.show()3.4 复盘结论解读基于以上计算和图表我们可以对2026年7月31日的市场情况进行结构化解读1. 市场整体格局指数表现三大指数上证、深证、创业板集体收涨其中创业板指1.12%领涨深证成指0.85%次之上证指数0.62%涨幅相对温和。沪深300上涨0.70%显示大盘蓝筹也同步上涨。市场广度健康上涨家数远超下跌家数涨跌家数比大于1模拟数据计算得出表明上涨并非由少数权重股拉动而是具有较好的普涨基础。赚钱效应良好涨停家数显著多于跌停家数市场风险偏好较高短线资金活跃。2. 量价关系分析成交水平市场总成交额处于活跃水平根据模拟数据估算。需要对比前几日成交额判断是放量还是缩量。如果是放量上涨则信号更为积极。涨跌分布从涨跌幅分布直方图看大部分股票涨幅集中在0%附近的正态分布均值与中位数均为正且相差不大说明市场整体上涨均衡未出现极端分化。3. 资金与风格动向行业轮动从行业涨幅榜和气泡图可以看出计算机、电子、新能源等成长板块平均涨幅居前且成交额活跃气泡较大可能是当日资金进攻的主线。而银行、食品饮料等板块涨幅相对落后或小幅下跌。风格判断创业板指涨幅最大叠加成长行业领涨初步判断当日市场风格偏向成长风格。沪深300涨幅略低于创业板指说明大小盘风格可能略有分化但整体协同向上。4. 综合评估与展望日内强度指数收于日内高位附近且振幅适中表明多头在日内博弈中占据主导。关键点位需要关注主要指数是否接近重要压力位如前期高点、整数关口。如果接近需观察次日能否放量突破。外部映射复盘时还应结合当日汇率、海外市场如美股期货、大宗商品价格等外部因素进行交叉验证。4. 常见问题与数据获取排错在实际操作中数据获取是最容易出错的环节。以下是常见问题及解决方案。问题现象可能原因解决思路ak.stock_zh_a_hist获取数据返回空或报错1. 股票代码格式错误。2. 日期格式错误或非交易日。3. 数据源接口临时变更或网络问题。1. 确认代码格式如sh600000或600000依接口而定。2. 使用ak.tool_trade_date_hist_sina()验证是否为交易日。3. 查看AKShare GitHub Issues或更新库版本。尝试使用其他备用接口如stock_zh_a_hist_min_em。获取指数数据失败指数代码不正确或接口限制。上证指数sh000001深证成指sz399001。对于历史数据可考虑使用stock_zh_index_daily并检查日期是否在历史范围内。运行速度慢尤其是循环获取全市场数据循环请求网络IO是主要瓶颈。1.批量请求寻找支持批量获取的接口如stock_zh_a_spot获取实时但历史数据不行。2.本地化存储首次获取后存入本地数据库如SQLite或parquet文件后续分析直接读取本地数据。3.使用专业数据源对于高频或深度复盘考虑使用TuShare、Baostock或付费API。涨跌停家数统计不准行情接口返回的涨跌幅是浮点数与涨停板阈值10%比较时存在浮点数精度问题。使用阈值区间判断例如(df[‘涨跌幅’] 9.95)视为涨停(df[‘涨跌幅’] -9.95)视为跌停。ST股票阈值为5%。行业资金流向数据获取困难Level-2资金流向数据通常需要付费或专门的接口。AKShare的stock_sector_fund_flow_rank接口可以获取板块资金流排名。也可通过计算行业成分股成交额的净主动买入额来近似估算需要逐笔数据难度大。个人复盘可重点关注行业涨跌幅和成交额的变化。通用排错流程检查网络确保可以正常访问数据源网站如东方财富网。检查参数仔细核对函数名称、参数名、参数格式字符串、日期。查看文档访问 AKShare官方文档 查看接口最新用法和示例。打印响应在代码中添加print(response)或print(df.head())查看原始返回数据判断是数据为空还是解析出错。异常捕获使用try...except包裹数据获取代码并打印具体错误信息。5. 复盘分析的最佳实践与工程建议将日度复盘从临时脚本升级为可持续、可复用的分析系统需要遵循一些工程实践。5.1 数据流程规范化分离数据层与逻辑层不要将数据获取、清洗、计算、绘图的代码全部写在一个文件里。建议创建模块data_fetcher.py: 负责所有数据获取函数处理网络请求和异常。calculator.py: 负责所有指标计算函数。visualizer.py: 负责绘制各种图表。report_generator.py: 主程序串联流程生成最终复盘报告。建立本地数据缓存每次获取数据后以日期为文件名保存到本地如data/raw/2026-07-31.parquet。下次分析时优先读取本地文件避免重复请求提高效率并减轻数据源压力。参数化与配置化将复盘日期、关键阈值如涨停幅度、关注的行业列表等写入配置文件如config.yaml便于修改和管理。5.2 分析深度优化引入对比分析不要孤立看一天数据。环比与前一交易日对比涨跌家数变化、成交额变化。近期趋势观察过去5日、10日的指数走势和平均涨跌幅。位置分析当前指数处于近期震荡区间的上轨、中轨还是下轨构建自定义指标市场情绪指数综合涨跌比、涨跌停比、连板高度等编制一个0-100的分数。强弱度对比计算个股涨幅与所属行业/指数涨幅的差值筛选出“强于板块”的个股。关联性分析使用相关系数分析不同指数、板块之间的联动关系。例如计算创业板指与半导体板块指数的日内收益率相关性。5.3 报告输出自动化生成图文并茂的报告使用matplotlib或plotly生成图表并利用Jinja2模板引擎将数据、图表路径和文字解读填充到HTML模板中自动生成一个完整的网页版复盘日报。关键信息摘要在报告开头用一个小表格或列表呈现最核心的结论如“指数普涨成长领衔成交放量建议乐观中保持谨慎”。添加免责声明在报告末尾注明“数据来源于公开网络仅供参考不构成投资建议”。5.4 生产环境注意事项错误处理与重试网络请求必须添加重试机制如tenacity库和超时设置。对于关键数据获取失败应有降级方案如使用昨日数据估算或标记数据缺失。日志记录使用logging模块记录脚本运行状态、数据获取成功与否、计算耗时等信息便于后期排查问题。定时任务使用crontab(Linux) 或Task Scheduler(Windows) 在每日收盘后自动运行复盘脚本并将报告发送到邮箱或团队协作工具如钉钉、飞书。代码版本管理使用Git管理你的复盘分析代码特别是对指标计算逻辑的修改要做到有迹可循。6. 总结从日度复盘到策略迭代一次专业的日度复盘绝不仅仅是记录行情而是投资研究中的“每日功课”。通过本文的实战演练你应该已经掌握了使用Python进行自动化复盘的核心流程数据获取 - 指标计算 - 可视化 - 逻辑解读。这套方法的优势在于客观摒弃主观情绪完全由数据驱动。高效自动化脚本可在几分钟内完成人工数小时的工作。可积累所有历史数据和分析结果都可保存用于回溯测试和模式发现。下一步的进阶方向扩大数据范围纳入港股通资金流向、融资融券数据、期指持仓变化等。引入机器学习尝试用简单的分类模型如基于前几日的广度、量价指标预测下一个交易日的市场涨跌概率。构建监控预警系统当出现关键信号时如跌停家数骤增、北向资金大幅流出自动发送警报。与交易系统对接将复盘产生的信号如“强势行业”作为量化选股系统的输入因子。市场永远在变化复盘的方法和维度也需要不断进化。建议你以此文中的代码框架为起点根据自己的关注点添加新的指标和分析维度逐步搭建起属于你自己的、独一无二的市场观察体系。