在投资世界里，有两个永恒的问题：

收益有多高？ 风险有多大？

如果你能在“相对低风险”的情况下，找到“更高收益”的股票，那它大概率就是我们常说的——牛股区间。

今天这篇文章，我带你用一段完整的 Python 代码，实现一个迷你版量化分析系统，包括：

• ✅ 股票数据读取
• ✅ 夏普比率计算
• ✅ 风险-收益气泡图
• ✅ 牛股区间圈选
• ✅ 行业收益对比
• ✅ Sharpe Top10筛选
• ✅ 风险收益相关性分析
• ✅ 牛股区间统计

一、数据读取：量化分析的第一步

stocks = pd.read_csv("stock_data.csv")
print("成功读取数据，数据条数：", len(stocks))

首先从 CSV 文件中读取股票数据。 数据字段包括：

然后做一个简单特征工程：

stocks["dot_size"] = stocks["volume"] * 4

成交额决定气泡大小，代表市场关注度。

二、核心指标：夏普比率（Sharpe Ratio）

量化投资里最经典的风险调整收益指标：

[ Sharpe = \frac{R - R_f}{\sigma} ]

代码实现：

risk_free_rate = 0.03
stocks["sharpe"] = (stocks["return"] - risk_free_rate) / stocks["volatility"]

含义：

• 分子：超额收益
• 分母：风险
• 值越高 → 单位风险带来的收益越高

这一步非常关键，它决定了后续“优质股票”的筛选逻辑。

三、风险-收益气泡图：直观看市场结构

plt.scatter(...)

这张图展示的是经典的：

📍 横轴：波动率（风险） 📍 纵轴：收益率 📍 气泡大小：成交额 📍 颜色：行业

你会看到：

四、自动圈选“牛股区间”

我们定义：

bull_zone = stocks[
    (stocks["return"] > 0.3) &
    (stocks["volatility"] < 0.3)
]

逻辑：

• 收益率 > 30%
• 波动率 < 30%

然后使用凸包算法（ConvexHull）进行自动圈选：

hull = ConvexHull(p)
poly = plt.Polygon(...)

这一步非常高级 —— 它不再是画矩形，而是自动围出真实的股票分布边界。

结果就是：

🔥 一张自动识别牛股区间的图

这在量化可视化中非常常见。

五、行业收益对比：行业轮动分析

industry_return = stocks.groupby("industry")["return"].mean()

通过分组统计平均收益，我们可以判断：

• 哪个行业整体表现更强
• 市场资金是否在轮动

这一步是宏观层面的判断。

六、Sharpe Top10：真正的“优质股”

top10 = stocks.sort_values("sharpe", ascending=False).head(10)

排序逻辑：

✔ 不是收益最高

✔ 而是“单位风险收益最高”

这是专业量化分析与散户思维最大的区别。

七、风险收益相关性分析

corr = stocks["volatility"].corr(stocks["return"])

并配合回归图：

sns.regplot(...)

你可以观察：

• 风险是否真的带来更高收益？
• 是否存在明显正相关？

如果相关性很低，说明市场并非简单“高风险=高收益”。

八、牛股区间统计分析

print("Number of Bull Stocks:", len(bull_zone))
print("Average Return:", ...)
print("Average Sharpe:", ...)

这一步属于策略评估：

• 牛股数量是否合理？
• 平均收益是否显著高于整体？
• Sharpe 是否明显更优？

这就是量化策略验证的基本雏形。

九、完整分析流程总结

这套代码背后其实是一整套量化思路：

数据读取
   ↓
特征工程
   ↓
风险收益建模
   ↓
Sharpe计算
   ↓
可视化分析
   ↓
策略区间筛选
   ↓
统计验证

注：代码仅学习使用，禁止用于非法/不良用途

十、全部代码无偿分享

a、股票部分数据，自己可以多模拟点下面的数据，用来学习，以下只提供点样例stock_data.csv

b、创建一个.py的文件，将下面内容复制，运行

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.spatial import ConvexHull
import warnings
warnings.simplefilter('ignore')

sns.set_style("whitegrid")




# =====================================
# 1. 读取CSV文件
# =====================================
stocks = pd.read_csv("stock_data.csv")
print("成功读取数据，数据条数：", len(stocks))

stocks["dot_size"] = stocks["volume"] * 4

# =====================================
# 2. 计算夏普比率
# =====================================
risk_free_rate = 0.03
stocks["sharpe"] = (stocks["return"] - risk_free_rate) / stocks["volatility"]

# =====================================
# 3. 风险收益气泡图
# =====================================
plt.figure(figsize=(14, 8))
categories = stocks["industry"].unique()
colors = plt.cm.Set2(np.linspace(0, 1, len(categories)))

for i, ind in enumerate(categories):
    plt.scatter(
        stocks.loc[stocks.industry == ind, "volatility"],
        stocks.loc[stocks.industry == ind, "return"],
        s=stocks.loc[stocks.industry == ind, "dot_size"],
        c=[colors[i]],
        label=ind,
        edgecolors="black",
        alpha=0.7
    )

# 牛股区间
bull_zone = stocks[
    (stocks["return"] > 0.3) &
    (stocks["volatility"] < 0.3)
]

defencircle(x, y, ax=None, **kw):
ifnot ax:
        ax = plt.gca()
    p = np.c_[x, y]
if len(p) > 2:
        hull = ConvexHull(p)
        poly = plt.Polygon(p[hull.vertices, :], **kw)
        ax.add_patch(poly)

encircle(
    bull_zone["volatility"],
    bull_zone["return"],
    ec="darkred",
    fc="gold",
    alpha=0.25
)

plt.xlabel("Annual Volatility (Risk)")
plt.ylabel("Annual Return")
plt.title("Risk-Return Bubble Plot with Bull Zone")
plt.legend()
plt.show()

# =====================================
# 4. 行业收益对比
# =====================================
industry_return = stocks.groupby("industry")["return"].mean().sort_values()

plt.figure(figsize=(8, 5))
industry_return.plot(kind="bar")
plt.title("Average Return by Industry")
plt.ylabel("Average Return")
plt.show()

# =====================================
# 5. 夏普比率Top10
# =====================================
top10 = stocks.sort_values("sharpe", ascending=False).head(10)

print("\nTop 10 Stocks by Sharpe Ratio:")
print(top10[["industry", "return", "volatility", "sharpe"]])

# =====================================
# 6. 风险收益相关性
# =====================================
corr = stocks["volatility"].corr(stocks["return"])
print(f"\nRisk-Return Correlation: {corr:.3f}")

plt.figure(figsize=(6, 5))
sns.regplot(
    data=stocks,
    x="volatility",
    y="return",
    scatter_kws={"alpha": 0.4}
)
plt.title("Risk vs Return Correlation")
plt.show()

# =====================================
# 7. 牛股区间统计
# =====================================
print("\nBull Zone Statistics:")
print("Number of Bull Stocks:", len(bull_zone))
print("Average Return in Bull Zone:", bull_zone["return"].mean())
print("Average Sharpe in Bull Zone:", bull_zone["sharpe"].mean())

🔮 获取和交流

需要源码和数据的同学，关注+三连，评论“6666“，加下面微信，发你！也可以拉你进群交流学习，加群备注：IT小本本学习

为了能随时获取最新动态，大家可以动动小手将公众号添加到“星标⭐”哦，点赞 + 关注，用时不迷路！！！！

关注公众号：IT小本本 👇