这篇文章由“星光老王”分享了一种单票长期做T的投资方法，强调了其稳定性和盈利潜力。1. 一年盯一只股反复做T的可行性：作者星光老王通过实操验证，认为此方法是普通散户最稳、最快、能靠自己解套并实现复利赚钱的方式，核心在于选对股。2. 做T亏钱的两大原因：一是丢了底仓，做T应保留底仓，很多人一做T就把底仓全卖了，导致踏空；二是选错票，选到垃圾股、问题股等，连做T的机会都没有。3. 做T的两种类型：正T（先买后卖），适合震荡市和上升趋势，在股价盘中急跌时低吸加仓，反弹拉高时卖出；反T（先卖后买），适合下跌趋势，在股价盘中急拉时高抛减仓，回落企稳时接回。

4. 日内分时做T战法：通过电脑版分时图，盯住白线（实时价格线）和黄线（均价线），根据口诀操作。口诀包括黄白三格不动、黄白过三可动、5格冲高先观望、回落到均线是买点等，核心是看乖离、抓修复、守纪律。

5. 一年只做一只票的优势：越做越熟悉股性，成本持续降低，精力集中、心态稳、胜率高，长期坚持收益爆发式增长。只要票选得安全，严格按规则做T，结果会远超追涨杀跌操作多只股。6. 结语：星光老王强调，股市赚钱靠的是把一个方法练到极致，而非方法多，希望读者关注以获取更多做T技巧分享。

设备量值初始化，正阳拉起，主力还阴跌，勿慌等信号，扬州穿线进场还此招若能熟玩转就是声浪里把那一圈是不是感觉有点绕别急，其实核心就两个东西，数倍量还有真阳线，我先给你解释一下，什么叫做缩倍量，就是首板涨停那一天成交量最大，后面回调的时候成交量至少缩到涨停那天的一半以下，这个就叫做收费量，那什么是真阳线？不是那种冲高回落骗你的假阳，而是那种实打实收在高位有力度的阳线。两句话合起来，你记住一个完整模型，首板之后回调缩量再出现阳线，主升浪往往就来下面我就用案例帮你彻底吃透，看第1个例子手板。

最近股市大盘已经到了4200点了。你说牛不牛。是曾经的大白马、大秦铁路、民生银行、格力电器……等等，最近几个月，跌幅都超过了30%。生生的被大牛市抛弃。下面是头条上看到了炒股方法。也许适合这段时间的操作。

本文提到在牛市中，许多散户难以跑赢大盘，作者通过Python对A股5183只股票的历史数据进行回测，专门研究了612只一个月内翻倍的牛股，发现了它们启动前的三个共同特征。

1. 低位横盘后量能温和放大，筹码高度集中：翻倍牛股在启动前通常会经历至少3个月的低位横盘，股价波动范围不超过20%。横盘初期成交量小，启动前2-3周成交量比平时增加30%-50%，股价不涨，这是主力吸筹的信号。
2. 均线形成“多头排列”：所有翻倍牛股启动前，均线会形成“多头排列”的格局，5日均线在10日线上方，10日均线在20日线上方。关键信号是“5日线穿20日线”的金叉，出现后1周内启动上涨的概率高。
3. 贴合政策或产业风口，有明确题材支撑：A股有“政策市”的特点，翻倍牛股大多贴合当时的政策导向或产业趋势，如AIGC、算力等。需区分“真题材”和“假题材”，真题材有政策文件和行业数据支撑，假题材则靠消息炒作，无实质业绩支撑。

使用说明：

1. 安装依赖库：bash
   pip install akshare streamlit plotly pandas numpy
2. 运行应用程序：bash
   streamlit run stock_dashboard.py
3. 功能介绍：

• 侧边栏参数设置：
  • 输入股票代码（如SH600938、SZ000001）
  • 选择数据周期（最近1个月至2年或自定义日期）
  • 选择要显示的技术指标（均线、RSI、MACD、成交量）
  • 调整指标参数（如RSI周期、均线周期）
• 主界面显示：
  • 股票基本统计信息（最新价、涨跌幅、最高价、最低价等）
  • 交互式K线图（支持缩放、平移）
  • 技术指标图表（可选择显示）
  • 股票数据表格（最近50条记录）
  • 数据下载功能（CSV格式）

1. 技术特点：

• 使用akshare获取A股历史数据（前复权）
• 使用plotly绘制交互式图表
• 支持多种技术指标的计算和显示
• 数据缓存机制，提高性能
• 响应式设计，适配不同屏幕尺寸

该应用程序提供了一个功能完整的股票数据可视化看板，用户可以方便地查看股票的K线图和常用技术指标，并进行基本的数据分析。
Pytyhon代码

import pandas as pd
import numpy as np
import akshare as ak
import streamlit as st
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from datetime import datetime, timedelta

# 设置页面配置
st.set_page_config(page_title="股票数据看板", layout="wide", initial_sidebar_state="expanded")

# 设置中文显示
st.markdown("<h1 style='text-align: center;'>股票数据可视化看板</h1>", unsafe_allow_html=True)

# 侧边栏设置
st.sidebar.header("参数设置")

# 股票代码选择
stock_code = st.sidebar.text_input("股票代码", "SH600938", help="例如：SH600938（工商银行）、SZ000001（平安银行）")

# 日期范围选择
date_range = st.sidebar.selectbox(
    "数据周期",
    ["最近1个月", "最近3个月", "最近6个月", "最近1年", "最近2年", "自定义日期"],
    index=2  # 默认选择最近6个月
)

# 根据选择设置日期
if date_range == "自定义日期":
    start_date = st.sidebar.date_input("开始日期", datetime.now() - timedelta(days=180))
    end_date = st.sidebar.date_input("结束日期", datetime.now())
else:
    end_date = datetime.now()
    if date_range == "最近1个月":
        start_date = end_date - timedelta(days=30)
    elif date_range == "最近3个月":
        start_date = end_date - timedelta(days=90)
    elif date_range == "最近6个月":
        start_date = end_date - timedelta(days=180)
    elif date_range == "最近1年":
        start_date = end_date - timedelta(days=365)
    elif date_range == "最近2年":
        start_date = end_date - timedelta(days=730)

# 转换日期格式
start_date_str = start_date.strftime("%Y-%m-%d")
end_date_str = end_date.strftime("%Y-%m-%d")

# 技术指标选择
st.sidebar.header("技术指标")
show_ma = st.sidebar.checkbox("显示均线", True)
ma_periods = st.sidebar.multiselect("均线周期", [5, 10, 20, 60, 120, 250], [5, 10, 20, 60])

show_rsi = st.sidebar.checkbox("显示RSI", True)
rsi_period = st.sidebar.slider("RSI周期", 6, 24, 14)

show_macd = st.sidebar.checkbox("显示MACD", True)

show_volume = st.sidebar.checkbox("显示成交量", True)

# 获取股票数据
@st.cache_data(ttl=3600)  # 缓存1小时
def get_stock_data(stock_code, start_date, end_date):
    """
    使用akshare获取股票历史数据
    """
    try:
        # 转换日期格式为akshare要求的格式
        start_date_ak = start_date.replace("-", "")
        end_date_ak = end_date.replace("-", "")
        
        # 转换股票代码格式为akshare要求的格式
        if stock_code.startswith('SH'):
            stock_code_ak = stock_code[2:]
        elif stock_code.startswith('SZ'):
            stock_code_ak = stock_code[2:]
        else:
            # 假设已经是正确格式
            stock_code_ak = stock_code
        
        # 使用akshare获取股票数据
        stock_df = ak.stock_zh_a_hist(symbol=stock_code_ak, period="daily", 
                                     start_date=start_date_ak, end_date=end_date_ak, adjust="qfq")
        
        stock_df['日期'] = pd.to_datetime(stock_df['日期'])
        stock_df.set_index('日期', inplace=True)
        
        # 重命名列名以便于使用
        stock_df.rename(columns={
            '开盘': 'open',
            '收盘': 'close',
            '最高': 'high',
            '最低': 'low',
            '成交量': 'volume',
            '成交额': 'amount',
            '涨跌幅': 'pct_change'
        }, inplace=True)
        
        return stock_df
    except Exception as e:
        st.error(f"获取数据失败: {e}")
        return None

# 计算技术指标
def calculate_technical_indicators(df):
    """
    计算常用技术指标
    """
    # 计算均线
    for period in ma_periods:
        df[f'MA{period}'] = df['close'].rolling(window=period).mean()
    
    # 计算RSI指标
    if show_rsi:
        delta = df['close'].diff(1)
        gain = delta.where(delta > 0, 0)
        loss = -delta.where(delta < 0, 0)
        
        avg_gain = gain.rolling(window=rsi_period).mean()
        avg_loss = loss.rolling(window=rsi_period).mean()
        
        rs = avg_gain / avg_loss
        df['RSI'] = 100 - (100 / (1 + rs))
    
    # 计算MACD指标
    if show_macd:
        # 计算12日和26日指数移动平均线
        df['EMA12'] = df['close'].ewm(span=12, adjust=False).mean()
        df['EMA26'] = df['close'].ewm(span=26, adjust=False).mean()
        
        # 计算DIF和DEA
        df['DIF'] = df['EMA12'] - df['EMA26']
        df['DEA'] = df['DIF'].ewm(span=9, adjust=False).mean()
        
        # 计算MACD柱状图
        df['MACD'] = 2 * (df['DIF'] - df['DEA'])
    
    return df

# 绘制K线图和技术指标
def plot_stock_chart(df, stock_code):
    """
    使用plotly绘制股票K线图和技术指标
    """
    # 确定需要多少个子图
    rows = 1
    if show_rsi:
        rows += 1
    if show_macd:
        rows += 1
    if show_volume:
        rows += 1
    
    # 创建子图
    fig = make_subplots(
        rows=rows, cols=1,
        shared_xaxes=True,
        vertical_spacing=0.1,
        subplot_titles=(
            f"{stock_code} K线图",
            "RSI指标" if show_rsi else None,
            "MACD指标" if show_macd else None,
            "成交量" if show_volume else None
        )
    )
    
    # 1. 添加K线图
    fig.add_trace(
        go.Candlestick(
            x=df.index,
            open=df['open'],
            high=df['high'],
            low=df['low'],
            close=df['close'],
            name="K线"
        ),
        row=1, col=1
    )
    
    # 添加均线
    if show_ma:
        colors = ['blue', 'green', 'orange', 'red', 'purple', 'brown']
        for i, period in enumerate(ma_periods):
            color = colors[i % len(colors)]
            fig.add_trace(
                go.Scatter(
                    x=df.index,
                    y=df[f'MA{period}'],
                    name=f"MA{period}",
                    line=dict(color=color, width=1)
                ),
                row=1, col=1
            )
    
    # 2. 添加RSI
    current_row = 2
    if show_rsi:
        fig.add_trace(
            go.Scatter(
                x=df.index,
                y=df['RSI'],
                name="RSI",
                line=dict(color='brown', width=1.5)
            ),
            row=current_row, col=1
        )
        # 添加超买超卖线
        fig.add_hline(y=70, line_dash="dash", line_color="red", opacity=0.7, row=current_row, col=1)
        fig.add_hline(y=30, line_dash="dash", line_color="green", opacity=0.7, row=current_row, col=1)
        current_row += 1
    
    # 3. 添加MACD
    if show_macd:
        fig.add_trace(
            go.Scatter(
                x=df.index,
                y=df['DIF'],
                name="DIF",
                line=dict(color='blue', width=1)
            ),
            row=current_row, col=1
        )
        fig.add_trace(
            go.Scatter(
                x=df.index,
                y=df['DEA'],
                name="DEA",
                line=dict(color='red', width=1)
            ),
            row=current_row, col=1
        )
        fig.add_trace(
            go.Bar(
                x=df.index,
                y=df['MACD'],
                name="MACD",
                marker_color=df['MACD'].apply(lambda x: 'red' if x > 0 else 'green')
            ),
            row=current_row, col=1
        )
        current_row += 1
    
    # 4. 添加成交量
    if show_volume:
        # 根据涨跌设置成交量颜色
        colors = df['close'].diff().apply(lambda x: 'green' if x >= 0 else 'red')
        fig.add_trace(
            go.Bar(
                x=df.index,
                y=df['volume'],
                name="成交量",
                marker_color=colors
            ),
            row=current_row, col=1
        )
    
    # 更新布局
    fig.update_layout(
        height=600 + (150 * (rows - 1)),
        width=1200,
        title_x=0.5,
        xaxis_rangeslider_visible=False,
        hovermode='x unified',
        showlegend=True,
        legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="right", x=1)
    )
    
    # 更新X轴
    fig.update_xaxes(
        type='category',
        tickformat='%Y-%m-%d',
        tickangle=45,
        showspikes=True,
        spikemode='across'
    )
    
    return fig

# 显示数据表格
def show_data_table(df):
    """
    显示股票数据表格
    """
    st.subheader("股票数据")
    
    # 选择要显示的列
    columns_to_show = ['open', 'close', 'high', 'low', 'volume', 'pct_change']
    
    # 添加选中的均线列
    if show_ma:
        for period in ma_periods:
            columns_to_show.append(f'MA{period}')
    
    # 添加RSI列
    if show_rsi:
        columns_to_show.append('RSI')
    
    # 添加MACD相关列
    if show_macd:
        columns_to_show.extend(['DIF', 'DEA', 'MACD'])
    
    # 显示数据
    st.dataframe(
        df[columns_to_show].tail(50),
        height=400,
        width='stretch'  # 修复：删除重复的width参数，保留width='stretch'
    )

# 计算并显示基本统计信息
def show_statistics(df):
    """
    显示股票数据的基本统计信息
    """
    st.subheader("基本统计信息")
    
    col1, col2, col3, col4 = st.columns(4)
    
    # 计算统计数据
    with col1:
        st.metric("最新价格", f"¥{df['close'].iloc[-1]:.2f}")
        st.metric("最高价", f"¥{df['high'].max():.2f}")
    
    with col2:
        st.metric("开盘价", f"¥{df['open'].iloc[-1]:.2f}")
        st.metric("最低价", f"¥{df['low'].min():.2f}")
    
    with col3:
        st.metric("成交量", f"{df['volume'].iloc[-1]:,.0f}")
        st.metric("平均成交量", f"{df['volume'].mean():,.0f}")
    
    with col4:
        # 计算涨跌幅
        change = df['close'].iloc[-1] - df['close'].iloc[-2]
        pct_change = df['pct_change'].iloc[-1] if not pd.isna(df['pct_change'].iloc[-1]) else (change / df['close'].iloc[-2] * 100)
        st.metric("涨跌额", f"¥{change:.2f}", f"{pct_change:.2f}%")
        
        # 计算总收益率
        total_return = (df['close'].iloc[-1] / df['close'].iloc[0] - 1) * 100
        st.metric("区间收益率", f"{total_return:.2f}%")

# 主程序
if __name__ == "__main__":
    # 获取数据
    st.info(f"正在获取 {stock_code} 从 {start_date_str} 到 {end_date_str} 的数据...")
    stock_data = get_stock_data(stock_code, start_date_str, end_date_str)
    
    if stock_data is not None and not stock_data.empty:
        st.success(f"成功获取 {len(stock_data)} 条数据")
        
        # 计算技术指标
        stock_data_with_indicators = calculate_technical_indicators(stock_data.copy())
        
        # 显示统计信息
        show_statistics(stock_data_with_indicators)
        
        # 绘制图表
        fig = plot_stock_chart(stock_data_with_indicators, stock_code)
        st.plotly_chart(fig, width='stretch')  # 修复：将use_container_width=True替换为width='stretch'
        
        # 显示数据表格
        show_data_table(stock_data_with_indicators)
        
        # 下载数据
        csv = stock_data_with_indicators.to_csv().encode('utf-8')
        st.download_button(
            label="下载数据 (CSV)",
            data=csv,
            file_name=f"{stock_code}_{start_date_str}_{end_date_str}.csv",
            mime="text/csv",
            help="点击下载当前股票数据的CSV文件"
        )
    else:
        st.error("获取数据失败，请检查股票代码和网络连接")

两个账户一共亏5000多，有史以来，第一次，中国海油在抽风……谨慎操作，现在仓位有点高了，昨天还有成交量翻了3倍还多，成交30多亿，换手率3.41

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import akshare as ak
from datetime import datetime

def get_stock_data(stock_code, start_date, end_date):
    """
    使用akshare获取股票历史数据
    
    参数:
    stock_code: 股票代码，例如 'SH600519'（贵州茅台）或 'sz000001'（平安银行）
    start_date: 开始日期，格式 'YYYY-MM-DD'
    end_date: 结束日期，格式 'YYYY-MM-DD'
    
    返回:
    包含股票历史数据的DataFrame
    """
    try:
        # 转换日期格式为akshare要求的格式
        start_date_ak = start_date.replace('-', '')
        end_date_ak = end_date.replace('-', '')
        
        # 转换股票代码格式为akshare要求的格式
        if stock_code.startswith('SH'):
            stock_code_ak = f'sh{stock_code[2:]}'
        elif stock_code.startswith('SZ'):
            stock_code_ak = f'sz{stock_code[2:]}'
        else:
            # 假设已经是正确格式
            stock_code_ak = stock_code
        
        # 使用akshare获取股票数据
        stock_df = ak.stock_zh_a_hist(symbol=stock_code_ak[2:], period="daily", 
                                     start_date=start_date_ak, end_date=end_date_ak)
        
        stock_df['日期'] = pd.to_datetime(stock_df['日期'])
        stock_df.set_index('日期', inplace=True)
        return stock_df
    except Exception as e:
        print(f"获取数据失败: {e}")
        return None

def calculate_technical_indicators(df):
    """
    计算常用技术指标
    
    参数:
    df: 包含股票数据的DataFrame
    
    返回:
    包含计算后指标的DataFrame
    """
    # 计算均线
    df['MA5'] = df['收盘'].rolling(window=5).mean()  # 5日均线
    df['MA10'] = df['收盘'].rolling(window=10).mean()  # 10日均线
    df['MA20'] = df['收盘'].rolling(window=20).mean()  # 20日均线
    df['MA60'] = df['收盘'].rolling(window=60).mean()  # 60日均线
    
    # 计算RSI指标
    def calculate_rsi(data, period=14):
        delta = data['收盘'].diff(1)
        gain = delta.where(delta > 0, 0)
        loss = -delta.where(delta < 0, 0)
        
        avg_gain = gain.rolling(window=period).mean()
        avg_loss = loss.rolling(window=period).mean()
        
        rs = avg_gain / avg_loss
        rsi = 100 - (100 / (1 + rs))
        return rsi
    
    df['RSI14'] = calculate_rsi(df, period=14)
    
    # 计算股价变化标准差（20日窗口）
    df['收盘价标准差'] = df['收盘'].rolling(window=20).std()
    
    # 计算日收益率
    df['日收益率'] = df['收盘'].pct_change()
    
    return df

def plot_stock_analysis(df, stock_code):
    """
    绘制股票分析图表
    
    参数:
    df: 包含股票数据和指标的DataFrame
    stock_code: 股票代码
    """
    # 设置中文显示
    plt.rcParams['font.family'] = ['SimHei', 'Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    # 创建一个包含4个子图的画布
    fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(14, 16), sharex=True)
    
    # 1. 绘制股价和均线
    ax1.plot(df.index, df['收盘'], label='收盘价', linewidth=1.5, color='black')
    ax1.plot(df.index, df['MA5'], label='MA5', linewidth=1.2, color='blue')
    ax1.plot(df.index, df['MA10'], label='MA10', linewidth=1.2, color='green')
    ax1.plot(df.index, df['MA20'], label='MA20', linewidth=1.2, color='orange')
    ax1.plot(df.index, df['MA60'], label='MA60', linewidth=1.2, color='red')
    ax1.set_title(f'{stock_code} 股价与均线走势')
    ax1.set_ylabel('价格 (元)')
    ax1.legend()
    ax1.grid(True, linestyle='--', alpha=0.7)
    
    # 2. 绘制成交量
    ax2.bar(df.index, df['成交量'], label='成交量', color='purple', alpha=0.6)
    ax2.set_title('成交量')
    ax2.set_ylabel('成交量')
    ax2.grid(True, linestyle='--', alpha=0.7)
    
    # 3. 绘制RSI
    ax3.plot(df.index, df['RSI14'], label='RSI14', linewidth=1.2, color='brown')
    ax3.axhline(y=70, color='red', linestyle='--', alpha=0.7, label='超买线')
    ax3.axhline(y=30, color='green', linestyle='--', alpha=0.7, label='超卖线')
    ax3.set_title('RSI指标')
    ax3.set_ylabel('RSI值')
    ax3.legend()
    ax3.grid(True, linestyle='--', alpha=0.7)
    
    # 4. 绘制收盘价标准差
    ax4.plot(df.index, df['收盘价标准差'], label='收盘价标准差', linewidth=1.2, color='teal')
    ax4.set_title('股价变化标准差')
    ax4.set_ylabel('标准差')
    ax4.set_xlabel('日期')
    ax4.legend()
    ax4.grid(True, linestyle='--', alpha=0.7)
    
    # 调整布局
    plt.tight_layout()
    plt.subplots_adjust(hspace=0.4)
    
    # 显示图表
    plt.show()

if __name__ == "__main__":
    # 设置参数
    stock_code = "SH600938"  # 中国工商银行
    start_date = "2025-01-01"
    end_date = datetime.now().strftime("%Y-%m-%d")
    
    print(f"正在获取 {stock_code} 从 {start_date} 到 {end_date} 的数据...")
    
    # 获取数据
    stock_data = get_stock_data(stock_code, start_date, end_date)
    
    if stock_data is not None and not stock_data.empty:
        print(f"成功获取 {len(stock_data)} 条数据")
        
        # 计算指标
        print("正在计算技术指标...")
        stock_data_with_indicators = calculate_technical_indicators(stock_data)
        
        # 显示数据预览
        print("\n数据预览:")
        print(stock_data_with_indicators.tail())
        
        # 绘图
        print("\n正在绘制图表...")
        plot_stock_analysis(stock_data_with_indicators, stock_code)
    else:
        print("获取数据失败，请检查股票代码和网络连接")

股票数据分析程序总结

程序功能

本程序实现了股票数据的获取、技术指标计算和可视化分析功能，主要包括：

1. 数据获取：使用akshare库获取指定股票的历史日线数据
2. 指标计算：使用pandas计算多种常用技术指标
3. 可视化分析：通过matplotlib绘制直观的分析图表

技术实现

1. 数据获取 (get_stock_data函数)

• 使用akshare库获取A股股票历史数据
• 支持自动转换股票代码格式（如’SH600938’转换为’sh600938’）
• 支持自动转换日期格式（如’2024-01-01’转换为’20240101’）

2. 指标计算 (calculate_technical_indicators函数)

• 均线指标：计算5日、10日、20日和60日均线
• RSI指标：计算14日相对强弱指标
• 成交量：直接从原始数据获取
• 股价变化标准差：计算20日窗口的收盘价标准差
• 日收益率：用于风险分析参考

3. 可视化分析 (plot_stock_analysis函数)

• 绘制4个子图的综合分析图表：
• 股价与多周期均线对比图
• 成交量柱状图
• RSI指标图（含超买超卖线）
• 股价变化标准差图
• 支持中文显示，确保图表可读性
• 提供网格线、图例等辅助元素

使用方法

1. 确保安装了必要的库：pandas、numpy、matplotlib、akshare
2. 修改stock_code、start_date参数可查看不同股票和时间段的数据
3. 运行程序后会自动执行数据获取、指标计算和图表绘制

优势

• 无需注册账户即可使用（避免了tqcenter需要登录的问题）
• 代码简洁易懂，便于修改和扩展
• 支持多种常用技术指标，满足基本分析需求
• 图表直观清晰，便于理解股票走势和指标变化

该程序适合股票投资者和分析师进行基本的技术分析，也可作为学习金融数据处理和可视化的参考示例。