【Matplotlib学习日记】股票涨跌幅与交易量的多维可视化分析

一、背景与目标

最近在学习使用Matplotlib进行金融数据的可视化分析，尝试通过一个实际案例理解如何将多个维度的数据（价格涨跌、交易量、开盘-收盘价关系）融合在一张图中。本文基于Matplotlib官方示例代码，解析其实现逻辑，并分享调试过程中的心得体会。

二、代码解析

1. 数据加载与处理

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.cbook as cbook

# 加载Google股票数据
price_data = cbook.get_sample_data('goog.npz')['price_data']
price_data = price_data[-250:]  # 取最近250个交易日数据

• 关键点：使用matplotlib.cbook内置的示例数据，截取最近250天数据，保证分析的时效性。

2. 计算涨跌幅（Delta）

delta1 = np.diff(price_data["adj_close"]) / price_data["adj_close"][:-1]

• 公式： 
• 解释：计算每日调整后收盘价的百分比变化，反映股价波动。

3. 定义散点图参数

volume = (15 * price_data["volume"][:-2] / pricec_data["volume"][0])**2  # 点的大小（交易量）
close = price_data["close"][:-2] / price_data["open"][:-2]  # 修正后的颜色参数（收盘价/开盘价）

• 问题修复：原始代码中close的计算有误（实际为close * open），修正为收盘价与开盘价的比率，反映当日价格趋势。

4. 绘制多维散点图

fig, ax = plt.subplots()
ax.scatter(delta1[:-1], delta1[1:], c=close, s=volume, alpha=0.5, cmap='coolwarm')

# 添加标签和样式
ax.set_xlabel(r'$\Delta_i$', fontsize=15)
ax.set_ylabel(r'$\Delta_{i+1}$', fontsize=15)
ax.set_title('Volume and Percent Change (Color: Close/Open Ratio)')
ax.grid(True)
plt.colorbar(ax.collections[0], label='Close/Open Ratio')
fig.tight_layout()
plt.show()

• 参数说明：
  • c=close：颜色映射为收盘价/开盘价比率（>1为红色，表示当日上涨；<1为蓝色，表示下跌）。
  • s=volume：点的大小反映交易量。
  • alpha=0.5：半透明效果避免重叠遮挡。

三、结果与可视化

1. 输出图表

2. 图表解读

• 横纵轴：相邻两日的涨跌幅（Δ_i 和 Δ_{i+1}），用于分析价格变化的连续性或反转性。
• 点大小：交易量越大，点面积越大。图中右下方的大点表示某日大跌后次日反弹，且伴随高交易量。
• 颜色：红色点（收盘价 > 开盘价）多集中在右上象限，说明上涨日次日继续上涨的概率较高。

四、心得体会

1. 调试中的发现

• 数据对齐陷阱：原始代码中volume和close使用[:-2]切片，而delta1长度为249（因为np.diff减少1个元素）。最终通过delta1[:-1]和delta1[1:]对齐到248个点，需特别注意数组长度的匹配。
• 颜色映射优化：将cmap改为coolwarm并添加颜色条，使图表更直观。

2. 多维数据可视化的价值

• 信息密度：通过点位置、大小、颜色三个维度，单图传递了价格趋势、交易量、开盘-收盘关系三种信息。
• 模式识别：观察点的分布，可推测该股票可能存在短期动量效应（连续上涨/下跌）。

3. 改进方向

• 添加趋势线：用np.polyfit拟合一条回归线，分析Δ_i与Δ_{i+1}的相关性。
• 交互式探索：结合Plotly库生成可交互图表，方便查看每个点的具体数值。

五、完整代码

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.cbook as cbook

# 加载Google股票数据
price_data = cbook.get_sample_data('goog.npz')['price_data']
price_data = price_data[-250:]  # 取最近250个交易日数据

delta1 = np.diff(price_data["adj_close"]) / price_data["adj_close"][:-1]

volume = (15 * price_data["volume"][:-2] / pricec_data["volume"][0])**2  # 点的大小（交易量）
close = price_data["close"][:-2] / price_data["open"][:-2]  # 修正后的颜色参数（收盘价/开盘价）

fig, ax = plt.subplots()
ax.scatter(delta1[:-1], delta1[1:], c=close, s=volume, alpha=0.5, cmap='coolwarm')

# 添加标签和样式
ax.set_xlabel(r'$\Delta_i$', fontsize=15)
ax.set_ylabel(r'$\Delta_{i+1}$', fontsize=15)
ax.set_title('Volume and Percent Change (Color: Close/Open Ratio)')
ax.grid(True)
plt.colorbar(ax.collections[0], label='Close/Open Ratio')
fig.tight_layout()
plt.show()