换手率指标详细分析 Skill
一、指标概述
1.1 换手率的定义
换手率（Turnover Rate），又称周转率，是指在一定时期内某只股票的成交量（或成交金额）与其流通股本（或流通市值）的比率。其本质衡量的是市场中股票所有权转移的频率，即"股票换手的速度"。换手率是衡量股票流通性和市场活跃程度最核心的量化指标之一。
从微观层面来看，换手率反映了投资者对该股票的交易热情和参与意愿。一只换手率高的股票，意味着大量投资者在短时间内进行了买卖操作，市场分歧较大；而换手率低的股票，则表明持股者倾向于持有，市场共识度较高。
1.2 换手率反映股票流通性和市场活跃度
换手率与股票流通性呈正相关关系。流通性好的股票，投资者可以以较低的交易成本快速买入或卖出，而不会对价格产生显著影响。换手率正是这种流通性的直接度量。
在市场实践中，换手率能够揭示以下关键信息：
- 市场情绪温度计：换手率升高通常意味着市场情绪升温，投资者交易意愿增强；换手率降低则暗示市场趋于冷淡。
- 筹码分布变化：持续的高换手率意味着筹码在快速换手，原有持仓者可能在离场，新资金在入场。
- 流动性风险评估：极低的换手率可能意味着流动性不足，大额交易可能面临较大的滑点风险。
- 主力行为追踪：异常的换手率变化往往是主力资金进出市场的信号。
1.3 换手率在技术分析中的重要性
在技术分析体系中，换手率占据着不可替代的地位，其重要性体现在以下几个方面：
第一，换手率是量价分析的核心补充。单纯观察成交量存在一个固有缺陷——大盘股和小盘股的成交量天然存在数量级差异，无法直接比较。换手率通过将成交量标准化为比率，消除了股本规模的影响，使得不同股票之间的横向比较成为可能。
第二，换手率是识别趋势可靠性的关键指标。在上升趋势中，适度的换手率表明趋势有资金支撑；在下跌趋势中，缩量换手可能意味着抛压减轻。换手率与价格走势的配合关系，能够帮助投资者判断趋势的健康程度。
第三，换手率是发现主力行为的重要窗口。机构资金的建仓、拉升、洗盘、出货等操作，都会在换手率上留下 distinctive 的痕迹。通过系统性地分析换手率的变化模式，投资者可以在一定程度上"跟踪"主力的操作轨迹。
第四，换手率在选股策略中具有筛选价值。通过设定换手率阈值，可以快速筛选出市场关注度高的活跃个股，或者排除流动性不足的标的，从而提高交易效率和风险管理水平。
二、计算公式详解
2.1 A股换手率计算
A股市场中最常用的换手率计算公式如下：
换手率 = 成交量 ÷ 流通股本 × 100%
其中：
- 成交量：指统计周期内的累计成交股数（单位：股）。
- 流通股本：指公司总股本中可以在二级市场自由交易的股份数量（单位：股）。
注意事项：
- 流通股本应使用最新数据，因为限售股解禁会导致流通股本发生变化。
- 部分数据平台提供的换手率可能基于自由流通股本计算（扣除大股东长期持有的股份），结果会更高。
- 计算日换手率时，成交量使用当日成交量；计算周换手率时，使用一周内每日成交量之和。
2.2 相对换手率与绝对换手率
在实际应用中，换手率分为两种口径：
相对换手率（总股本口径）
相对换手率 = 成交量 ÷ 总股本 × 100%
相对换手率以公司总股本为分母，包含了限售股等不能在二级市场交易的股份。这一指标在A股早期较为常用，但由于大量股份处于限售状态，相对换手率往往偏低，不能真实反映市场的实际交易活跃度。
绝对换手率（实际流通盘口径）
绝对换手率 = 成交量 ÷ 实际流通股本 × 100%
绝对换手率以实际流通股本为分母，只计算可以在二级市场自由交易的股份。这一指标更准确地反映了市场真实的交易活跃程度，是目前主流数据平台和投资者普遍采用的口径。
两者差异与实战意义
| 对比维度 | 相对换手率 | 绝对换手率 |
|---|---|---|
| 分母 | 总股本 | 实际流通股本 |
| 数值 | 偏低 | 偏高 |
| 准确性 | 较低 | 较高 |
| 适用场景 | 历史数据对比 | 实战交易分析 |
实战意义：对于限售股占比较大的公司（如次新股），两者的差异尤为显著。例如，一家总股本10亿股但实际流通仅2亿股的公司，若当日成交4000万股，相对换手率为4%，而绝对换手率高达20%。后者更能反映该股当日的真实交易热度。因此，在进行换手率分析时，强烈建议使用绝对换手率。
2.3 国外换手率计算
在欧美等成熟市场，换手率的计算方式有所不同，通常以金额为基准：
换手率 = 成交金额 ÷ 流通市值 × 100%
其中：
- 成交金额：统计周期内的累计成交金额（单位：美元或当地货币）。
- 流通市值：流通股本乘以当前股价。
差异原因：
- 成熟市场中，股票价格差异巨大（从几美元到几千美元），单纯以股数计算的换手率无法反映真实的资金活跃程度。
- 以金额计算的换手率能够更直观地反映资金流向和市场活跃度。
- 对于ADR（美国存托凭证）等特殊品种，以金额计算更为准确。
2.4 多周期换手率
换手率可以根据不同的统计周期进行计算，以满足不同分析需求：
日换手率
日换手率 = 当日成交量 ÷ 流通股本 × 100%
日换手率是最常用的换手率指标，反映单日内的交易活跃程度。A股市场日换手率的正常范围通常在1%-5%之间。
周换手率
周换手率 = 本周累计成交量 ÷ 流通股本 × 100%
= Σ(每日成交量) ÷ 流通股本 × 100%
周换手率用于观察一周内的资金进出情况，能够平滑单日异常波动，更好地反映中期趋势。正常范围通常在5%-25%之间。
月换手率
月换手率 = 本月累计成交量 ÷ 流通股本 × 100%
= Σ(每日成交量) ÷ 流通股本 × 100%
月换手率反映较长时间内的筹码换手情况，常用于判断主力建仓或出货的中长期行为。正常范围通常在20%-100%之间。
年换手率
年换手率 = 本年累计成交量 ÷ 流通股本 × 100%
= Σ(每日成交量) ÷ 流通股本 × 100%
年换手率反映全年的交易活跃程度，A股市场个股年换手率通常在200%-1000%之间，远高于成熟市场（通常在50%-200%之间），这体现了A股市场短线交易活跃的特征。
2.5 换手率移动平均
为了消除短期波动噪音，实践中常使用换手率的移动平均值：
5日平均换手率
MA5换手率 = (T日换手率 + T-1日换手率 + ... + T-4日换手率) ÷ 5
5日平均换手率反映近一周的平均交易活跃度，适合短线分析。
10日平均换手率
MA10换手率 = (T日换手率 + T-1日换手率 + ... + T-9日换手率) ÷ 10
10日平均换手率反映近两周的平均交易活跃度，适合中线分析。
20日平均换手率
MA20换手率 = (T日换手率 + T-1日换手率 + ... + T-19日换手率) ÷ 20
20日平均换手率反映近一个月的平均交易活跃度，适合中长线趋势判断。
应用技巧：当短期换手率均线（如MA5）上穿长期换手率均线（如MA20）时，表明交易活跃度正在提升，可能预示着新一轮行情的启动；反之，则可能意味着行情趋于平淡。
2.6 完整计算示例
假设某A股上市公司数据如下：
- 流通股本：5亿股
- 总股本：8亿股
- 当前股价：20元/股
- 某日成交量：3000万股
- 某日成交金额：6亿元
- 流通市值：100亿元
计算过程：
绝对换手率 = 3000万 ÷ 50000万 × 100% = 6.00%
相对换手率 = 3000万 ÷ 80000万 × 100% = 3.75%
金额换手率 = 60000万 ÷ 1000000万 × 100% = 6.00%
若该周五个交易日的成交量分别为：2000万、2500万、3000万、3500万、4000万股：
周换手率 = (2000+2500+3000+3500+4000)万 ÷ 50000万 × 100% = 30.00%
5日平均换手率 = 30.00% ÷ 5 = 6.00%
三、参数动态调整策略
3.1 换手率阈值设定
根据A股市场的长期统计和实践经验，换手率可按以下阈值进行分级：
| 等级 | 换手率范围 | 市场含义 | 操作建议 |
|---|---|---|---|
| 极低换手率 | <1% | 成交极度低迷，流动性差 | 谨慎参与，注意流动性风险 |
| 低换手率 | 1%-2% | 交易清淡，市场关注度低 | 可关注，等待放量信号 |
| 温和换手率 | 2%-3% | 交易正常偏弱 | 中性，结合其他指标判断 |
| 正常换手率 | 3%-7% | 交易活跃度适中 | 正常交易区间 |
| 高换手率 | 7%-15% | 交易活跃，资金关注度高 | 关注方向，警惕风险 |
| 极高换手率 | >15% | 交易异常活跃 | 高度警惕，可能见顶 |
| 异常换手率 | >20% | 极端异常，可能主力对倒 | 规避为主，等待确认 |
特别说明：
- 上述阈值为一般性参考标准，实际应用中需要结合具体股票的市值、板块特征和市场环境进行调整。
- 异常换手率（>20%）在A股中虽然罕见，但在特定场景下会出现，如：新股上市首日、重大利好/利空消息公布、主力资金对倒操作等。
- 持续多日换手率超过15%的股票，往往意味着筹码在快速换手，需要特别关注后续方向。
3.2 不同市值股票的换手率标准
不同市值规模的股票，其换手率特征存在显著差异：
大盘股（市值>500亿元）
大盘股由于流通盘巨大，资金难以在短时间内完成大规模换手，因此换手率普遍较低。
| 等级 | 换手率范围 |
|---|---|
| 低迷 | <0.3% |
| 正常 | 0.3%-1.0% |
| 活跃 | 1.0%-2.0% |
| 高换手 | >2.0% |
典型代表：工商银行、中国石油、贵州茅台等。贵州茅台作为特例，由于其独特的投资属性，换手率长期维持在0.2%-0.5%的极低水平，但价格走势强劲。
中盘股（市值100-500亿元）
中盘股的换手率处于中等水平，是主力资金较为青睐的标的。
| 等级 | 换手率范围 |
|---|---|
| 低迷 | <1% |
| 正常 | 1%-3% |
| 活跃 | 3%-7% |
| 高换手 | >7% |
小盘股（市值<100亿元）
小盘股由于流通盘较小，少量资金即可推动较大换手率。
| 等级 | 换手率范围 |
|---|---|
| 低迷 | <2% |
| 正常 | 2%-5% |
| 活跃 | 5%-10% |
| 高换手 | >10% |
创业板/科创板
创业板和科创板由于涨跌幅限制为20%（主板为10%），投机性更强，换手率普遍高于主板同市值股票。
| 等级 | 换手率范围 |
|---|---|
| 低迷 | <3% |
| 正常 | 3%-8% |
| 活跃 | 8%-15% |
| 高换手 | >15% |
3.3 不同市场环境下的参数调整
牛市环境
在牛市中，市场整体交易活跃，换手率中枢系统性上移：
- 所有等级的阈值可上移30%-50%
- 正常换手率范围调整为5%-10%
- 高换手率阈值从7%上调至10%以上
- 牛市中换手率持续维持高位是趋势健康的表现，不必过度恐慌
熊市环境
在熊市中，市场交易清淡，换手率中枢系统性下移：
- 所有等级的阈值可下移20%-40%
- 正常换手率范围调整为1%-4%
- 低换手率阈值从1%下调至0.5%
- 熊市中的突然放量换手需要高度关注，可能是反弹信号也可能是恐慌性抛售
震荡市环境
在震荡市中，换手率波动较大，建议：
- 使用换手率移动平均（如MA10、MA20）来平滑波动
- 关注换手率突破均线的行为，可能预示方向选择
- 结合价格突破方向综合判断
四、核心交易信号
4.1 低位放量换手
底部区域突然换手率放大
当股票经过较长时间（通常3-6个月或更长）的下跌后，在底部区域出现换手率突然放大的现象，这是一个重要的关注信号。
识别特征：
- 股价处于长期下跌趋势的末端，累计跌幅通常超过30%-50%
- 前期换手率持续低迷（通常低于2%）
- 突然出现换手率放大至前期均值的2-3倍以上
- 放量当日或随后几日，股价不再创新低，甚至出现小幅上涨
- 成交量柱状图明显高出前期平均水平
主力吸筹信号
低位放量换手是主力吸筹的典型特征。主力资金在底部区域通过大量买入来收集筹码，由于买入量大，必然导致换手率显著上升。
确认方法：
- 观察换手率放大后是否持续（持续3-5日以上更为可靠）
- 检查大宗交易数据是否有机构专用席位买入
- 观察龙虎榜数据是否有知名游资或机构席位
- 结合股东人数变化（股东人数减少通常意味着筹码集中）
4.2 高位放量换手
顶部区域换手率急剧放大
当股票经过较大幅度的上涨后，在高位区域出现换手率急剧放大的现象，这是一个危险的预警信号。
识别特征：
- 股价处于长期上涨趋势的高位，累计涨幅通常超过50%-100%
- 前期换手率已经处于较高水平
- 突然出现换手率急剧放大至异常水平（如>15%甚至>20%）
- 股价虽然可能还在创新高，但涨幅明显收窄或出现长上影线
- 当日成交量创出近期甚至历史新高
主力出货信号
高位放量换手是主力出货的典型特征。主力资金在高位区域通过大量卖出来实现获利了结，大量筹码从主力手中转移到了散户手中。
确认方法：
- 换手率放大后股价未能继续上涨，反而开始回落
- 龙虎榜显示机构席位大量卖出
- 股东人数急剧增加
- 后续交易日换手率维持高位但股价持续走低
4.3 换手率与价格关系
换手率与价格走势的组合关系，是判断市场状态的重要工具：
低换手率 + 价格上涨（筹码锁定，看涨）
这是最健康的上涨模式。低换手率意味着持股者惜售，筹码锁定良好，少量买盘即可推动价格上涨。这种情况通常出现在：
- 主力高度控盘的股票
- 具有长期投资价值的优质白马股
- 上涨趋势的中段，市场共识度高
操作建议：持股待涨，趋势未破不轻易离场。
高换手率 + 价格上涨（资金积极，但需警惕）
高换手伴随上涨，说明资金积极入场做多，短期动能强劲。但需要警惕的是，过高的换手率可能意味着多空分歧加大，筹码在快速换手。
操作建议：
- 换手率在5%-10%之间：可适当参与，跟随趋势
- 换手率超过15%：需要高度警惕，考虑逐步减仓
- 连续多日高换手上涨：可能进入冲刺阶段，随时可能见顶
低换手率 + 价格下跌（无量阴跌，看跌）
无量阴跌是最令人担忧的走势之一。低换手率意味着没有主力资金接盘，持股者因绝望而不断以低价卖出，但买盘稀少。这种情况通常出现在：
- 下跌趋势的中后段
- 基本面恶化的股票
- 市场关注度极低的冷门股
操作建议：不宜抄底，等待放量止跌信号。
高换手率 + 价格下跌（恐慌抛售，可能见底）
高换手伴随下跌，说明市场出现恐慌性抛售，大量筹码在低价被抛出。虽然短期看似危险，但这往往是见底的信号之一——恐慌盘涌出意味着最后的卖压被释放。
操作建议：
- 首次出现恐慌性放量下跌：不宜立即抄底，等待企稳确认
- 连续放量下跌后出现缩量企稳：可考虑轻仓试探
- 放量下跌后出现放量上涨（底部反转）：可考虑逐步建仓
4.4 换手率拐点
换手率从低位开始上升
当换手率从长期低迷状态开始上升，意味着市场关注度正在提升，资金开始流入。这是行情启动的前兆信号。
识别方法：
- 换手率从1%以下上升至3%以上
- 换手率MA5上穿MA20
- 伴随成交量温和放大
- 股价开始摆脱底部整理区域
操作建议：可作为早期介入信号，结合其他技术指标确认后建仓。
换手率从高位开始下降
当换手率从高位开始下降，意味着市场热情正在消退，资金活跃度降低。
场景一：高位回落（看跌）
- 股价在高位，换手率从15%以上降至5%以下
- 意味着主力出货接近尾声，跟风盘减少
- 后续可能进入阴跌阶段
场景二：中位回落（整理）
- 股价在上涨中途回调，换手率从高位回落至正常水平
- 可能是主力洗盘行为
- 若回调幅度不大且换手率维持在3%以上，后续可能继续上涨
4.5 换手率背离
价格创新高但换手率下降（顶背离）
这是经典的看跌背离信号。价格虽然创出新高，但换手率反而下降，说明推动价格上涨的资金量在减少，上涨动能衰竭。
形成机制：
- 前期大量买入的资金已经获利，开始减少买入
- 新入场资金不足以维持之前的上涨力度
- 价格创新高更多是由于惯性而非新增资金推动
操作建议：考虑逐步减仓，设置止盈位。
价格创新低但换手率上升（底背离）
这是潜在的看涨背离信号。价格虽然创出新低，但换手率反而上升，说明有资金在低位积极承接。
形成机制：
- 恐慌性抛售导致价格创新低
- 但同时有主力资金或价值投资者在低位大量买入
- 抛压正在被新增买盘逐步消化
操作建议：密切关注，等待价格企稳和换手率持续放大后考虑介入。
五、换手率与成交量结合分析
5.1 换手率标准化的意义
成交量是技术分析中最基础最重要的指标之一，但原始成交量存在一个根本性缺陷：不同股票之间的成交量不具有可比性。一家流通盘100亿股的大盘股，日成交5亿股可能只是0.5%的换手率；而一家流通盘1亿股的小盘股，日成交500万股就是5%的换手率。两者的绝对成交量相差100倍，但后者的交易活跃度实际上是前者的10倍。
换手率通过将成交量除以流通股本，实现了标准化处理，使得不同市值、不同板块的股票之间可以进行横向比较。这种标准化对于以下场景尤为重要：
- 选股筛选：在全市场范围内筛选交易活跃的个股
- 行业比较：比较不同行业板块的交易活跃度差异
- 历史对比：比较同一股票在不同时期（流通股本可能发生变化）的交易活跃度
5.2 量比与换手率的关系
量比（Volume Ratio）是另一个常用的成交量指标，其计算公式为：
量比 = 当日即时成交量 ÷ 过去5日同时段平均成交量
量比和换手率的区别与联系：
| 对比维度 | 量比 | 换手率 |
|---|---|---|
| 含义 | 当日与历史同期成交量的比较 | 成交量与流通股本的比率 |
| 参照系 | 自身历史数据 | 流通股本 |
| 时间维度 | 盘中实时指标 | 日/周/月等固定周期 |
| 横向可比性 | 较差 | 较好 |
| 主要用途 | 发现当日异动 | 评估整体活跃度 |
结合使用方法：
- 量比>2 且 换手率>5%：当日放量且整体活跃，可能是行情启动信号
- 量比<0.5 且 换手率<1%：当日缩量且整体低迷，市场关注度极低
- 量比>3 但 换手率<2%：可能是盘中短暂脉冲，持续性存疑
5.3 换手率选股策略
基于换手率的选股策略主要包括以下几种：
策略一：低位放量突破选股
- 筛选条件：股价在60日低点附近（±10%），换手率突然放大至近20日平均的2倍以上
- 逻辑：底部放量可能是主力吸筹信号
- 风险：可能是假突破，需要结合其他指标确认
策略二：温和放量上涨选股
- 筛选条件：股价处于上升趋势，换手率维持在3%-8%之间，MA5换手率>MA20换手率
- 逻辑：适度活跃的换手率支撑价格上涨
- 风险：趋势可能随时反转
策略三：异常换手率监控
- 筛选条件：换手率突然超过15%，且股价未涨停
- 逻辑：发现潜在的主力异动
- 风险：可能是主力对倒出货
六、Python代码实现
6.1 换手率计算函数（支持动态参数和多口径）
import pandas as pd
import numpy as np
def calculate_turnover_rate(volume, float_shares, total_shares=None,
method='absolute'):
"""
计算换手率，支持多种口径
参数:
volume (pd.Series or np.array): 成交量（股）
float_shares (float): 流通股本（股）
total_shares (float): 总股本（股），method='relative'时需要
method (str): 计算口径，'absolute'（绝对换手率）或 'relative'（相对换手率）
返回:
pd.Series: 换手率（百分比）
"""
if method == 'absolute':
denominator = float_shares
elif method == 'relative':
if total_shares is None:
raise ValueError("计算相对换手率需要提供 total_shares 参数")
denominator = total_shares
else:
raise ValueError(f"不支持的 method: {method}，请使用 'absolute' 或 'relative'")
turnover_rate = volume / denominator * 100
return turnover_rate
def calculate_turnover_rate_by_amount(trade_amount, float_market_cap):
"""
以金额口径计算换手率（适用于海外市场）
参数:
trade_amount (pd.Series or np.array): 成交金额
float_market_cap (float): 流通市值
返回:
pd.Series: 换手率（百分比）
"""
turnover_rate = trade_amount / float_market_cap * 100
return turnover_rate
6.2 多周期换手率计算
def calculate_multi_period_turnover(df, float_shares, periods=None):
"""
计算多周期换手率
参数:
df (pd.DataFrame): 包含 'volume' 列的DataFrame，需有DatetimeIndex
float_shares (float or pd.Series): 流通股本
periods (list): 需要计算的周期列表，默认为 ['1D', '1W', '1M']
返回:
pd.DataFrame: 包含各周期换手率的DataFrame
"""
if periods is None:
periods = ['1D', '1W', '1M']
result = pd.DataFrame(index=df.index)
# 日换手率
if isinstance(float_shares, pd.Series):
result['daily_turnover'] = df['volume'] / float_shares * 100
else:
result['daily_turnover'] = df['volume'] / float_shares * 100
# 周换手率（滚动5个交易日）
if '1W' in periods:
result['weekly_turnover'] = result['daily_turnover'].rolling(
window=5, min_periods=1).sum()
# 月换手率（滚动22个交易日）
if '1M' in periods:
result['monthly_turnover'] = result['daily_turnover'].rolling(
window=22, min_periods=1).sum()
# 年换手率（滚动250个交易日）
if '1Y' in periods:
result['yearly_turnover'] = result['daily_turnover'].rolling(
window=250, min_periods=1).sum()
return result
def calculate_turnover_ma(daily_turnover, windows=None):
"""
计算换手率移动平均
参数:
daily_turnover (pd.Series): 日换手率序列
windows (list): 移动平均窗口列表
返回:
pd.DataFrame: 包含各窗口移动平均的DataFrame
"""
if windows is None:
windows = [5, 10, 20]
result = pd.DataFrame(index=daily_turnover.index)
result['daily_turnover'] = daily_turnover
for w in windows:
result[f'ma{w}_turnover'] = daily_turnover.rolling(
window=w, min_periods=1).mean()
return result
6.3 换手率信号检测函数
def detect_turnover_signals(df, turnover_col='daily_turnover',
low_threshold=1.0, high_threshold=15.0,
abnormal_threshold=20.0):
"""
检测换手率交易信号
参数:
df (pd.DataFrame): 包含换手率和价格数据的DataFrame
turnover_col (str): 换手率列名
low_threshold (float): 低换手率阈值
high_threshold (float): 高换手率阈值
abnormal_threshold (float): 异常换手率阈值
返回:
pd.DataFrame: 包含信号标记的DataFrame
"""
result = df.copy()
turnover = result[turnover_col]
close = result['close']
# 信号1：低位放量换手（底部吸筹信号）
# 条件：换手率突然放大至20日均值的2倍以上，且股价处于60日低点附近
ma20_turnover = turnover.rolling(window=20, min_periods=1).mean()
price_60d_low = close.rolling(window=60, min_periods=1).min()
result['signal_bottom_volume'] = (
(turnover > ma20_turnover * 2) &
(close < price_60d_low * 1.10)
).astype(int)
# 信号2：高位放量换手（顶部出货信号）
price_60d_high = close.rolling(window=60, min_periods=1).max()
result['signal_top_volume'] = (
(turnover > high_threshold) &
(close > price_60d_high * 0.90)
).astype(int)
# 信号3：异常换手率
result['signal_abnormal'] = (turnover > abnormal_threshold).astype(int)
# 信号4：换手率顶背离（价格创新高，换手率下降）
price_20d_high = close.rolling(window=20, min_periods=1).max()
turnover_20d_high = turnover.rolling(window=20, min_periods=1).max()
result['signal_bearish_divergence'] = (
(close == price_20d_high) &
(turnover < turnover_20d_high * 0.7)
).astype(int)
# 信号5：换手率底背离（价格创新低，换手率上升）
price_20d_low = close.rolling(window=20, min_periods=1).min()
ma5_turnover = turnover.rolling(window=5, min_periods=1).mean()
result['signal_bullish_divergence'] = (
(close == price_20d_low) &
(ma5_turnover > ma20_turnover * 1.3)
).astype(int)
# 信号6：换手率拐点向上
result['signal_turnover_up'] = (
(ma5_turnover > ma20_turnover) &
(ma5_turnover.shift(1) <= ma20_turnover.shift(1))
).astype(int)
# 信号7：换手率拐点向下
result['signal_turnover_down'] = (
(ma5_turnover < ma20_turnover) &
(ma5_turnover.shift(1) >= ma20_turnover.shift(1))
).astype(int)
return result
def classify_turnover_level(turnover_value, market_cap=None, board=None):
"""
根据换手率数值和市场特征进行分级
参数:
turnover_value (float): 换手率值（百分比）
market_cap (float): 市值（亿元），可选
board (str): 板块，'main'/'gem'/'star'，可选
返回:
str: 换手率等级
"""
# 根据市值和板块调整阈值
if board == 'gem' or board == 'star':
thresholds = {
'极低': 3, '低': 5, '温和': 8,
'正常': (8, 15), '高': (15, 25), '极高': 25
}
elif market_cap and market_cap > 500:
thresholds = {
'极低': 0.3, '低': 0.5, '温和': 1.0,
'正常': (1.0, 2.0), '高': (2.0, 3.0), '极高': 3.0
}
elif market_cap and market_cap < 100:
thresholds = {
'极低': 2, '低': 3, '温和': 5,
'正常': (5, 10), '高': (10, 20), '极高': 20
}
else:
thresholds = {
'极低': 1, '低': 2, '温和': 3,
'正常': (3, 7), '高': (7, 15), '极高': 15
}
if turnover_value < thresholds['极低']:
return '极低换手率'
elif turnover_value < thresholds['低']:
return '低换手率'
elif turnover_value < thresholds['温和']:
return '温和换手率'
elif turnover_value < thresholds['正常'][1]:
return '正常换手率'
elif turnover_value < thresholds['高'][1]:
return '高换手率'
else:
return '极高换手率'
6.4 换手率选股函数
def turnover_stock_selection(stock_pool, turnover_data, min_turnover=3.0,
max_turnover=15.0, price_change_min=None,
price_change_max=None, volume_ratio_min=None):
"""
基于换手率的选股函数
参数:
stock_pool (list): 股票代码列表
turnover_data (dict): {stock_code: DataFrame} 各股票数据
min_turnover (float): 最低换手率阈值
max_turnover (float): 最高换手率阈值
price_change_min (float): 最低涨跌幅限制
price_change_max (float): 最高涨跌幅限制
volume_ratio_min (float): 最低量比限制
返回:
list: 符合条件的股票代码列表
"""
selected = []
for code in stock_pool:
if code not in turnover_data:
continue
df = turnover_data[code]
if df.empty:
continue
latest = df.iloc[-1]
# 换手率筛选
turnover = latest.get('daily_turnover', 0)
if turnover < min_turnover or turnover > max_turnover:
continue
# 涨跌幅筛选
if price_change_min is not None or price_change_max is not None:
pct_change = latest.get('pct_change', 0)
if price_change_min is not None and pct_change < price_change_min:
continue
if price_change_max is not None and pct_change > price_change_max:
continue
# 量比筛选
if volume_ratio_min is not None:
volume_ratio = latest.get('volume_ratio', 0)
if volume_ratio < volume_ratio_min:
continue
selected.append({
'code': code,
'turnover': turnover,
'close': latest.get('close', 0),
'pct_change': latest.get('pct_change', 0),
'volume_ratio': latest.get('volume_ratio', 0)
})
# 按换手率降序排列
selected.sort(key=lambda x: x['turnover'], reverse=True)
return selected
6.5 回测框架示例
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
class TurnoverBacktest:
"""基于换手率信号的简单回测框架"""
def __init__(self, initial_capital=1000000, commission_rate=0.0003):
self.initial_capital = initial_capital
self.commission_rate = commission_rate
self.trades = []
self.equity_curve = []
def generate_signals(self, df, signal_col='signal_bottom_volume'):
"""
生成交易信号
买入条件：出现底部放量信号
卖出条件：持仓N日后或出现高位放量信号
"""
signals = pd.DataFrame(index=df.index)
signals['signal'] = 0
signals.loc[df[signal_col] == 1, 'signal'] = 1 # 买入信号
# 卖出信号：买入后持有5日自动卖出，或出现高位放量
hold_period = 5
buy_dates = df[df[signal_col] == 1].index
for buy_date in buy_dates:
sell_candidates = []
for i in range(1, hold_period + 1):
try:
next_date = df.index[df.index.get_loc(buy_date) + i]
sell_candidates.append(next_date)
except (IndexError, KeyError):
break
for sell_date in sell_candidates:
if df.loc[sell_date, 'signal_top_volume'] == 1:
signals.loc[sell_date, 'signal'] = -1
break
else:
if sell_candidates:
signals.loc[sell_candidates[-1], 'signal'] = -1
return signals
def run_backtest(self, df, signals):
"""
执行回测
参数:
df (pd.DataFrame): 价格数据
signals (pd.DataFrame): 交易信号
返回:
dict: 回测结果
"""
capital = self.initial_capital
position = 0
entry_price = 0
equity_list = []
for date in df.index:
if date not in signals.index:
equity_list.append({'date': date, 'equity': capital})
continue
price = df.loc[date, 'close']
signal = signals.loc[date, 'signal']
if signal == 1 and position == 0: # 买入
shares = int(capital * 0.95 / price / 100) * 100 # 整手买入
if shares > 0:
cost = shares * price * (1 + self.commission_rate)
capital -= cost
position = shares
entry_price = price
self.trades.append({
'date': date, 'action': 'BUY',
'price': price, 'shares': shares
})
elif signal == -1 and position > 0: # 卖出
revenue = position * price * (1 - self.commission_rate)
capital += revenue
self.trades.append({
'date': date, 'action': 'SELL',
'price': price, 'shares': position,
'pnl': (price - entry_price) / entry_price * 100
})
position = 0
total_equity = capital + position * price
equity_list.append({'date': date, 'equity': total_equity})
equity_df = pd.DataFrame(equity_list)
equity_df.set_index('date', inplace=True)
# 计算回测指标
total_return = (capital - self.initial_capital) / self.initial_capital * 100
winning_trades = [t for t in self.trades if t['action'] == 'SELL' and t['pnl'] > 0]
losing_trades = [t for t in self.trades if t['action'] == 'SELL' and t['pnl'] <= 0]
win_rate = len(winning_trades) / max(len(winning_trades) + len(losing_trades), 1) * 100
return {
'total_return': total_return,
'total_trades': len([t for t in self.trades if t['action'] == 'SELL']),
'win_rate': win_rate,
'equity_curve': equity_df,
'trades': self.trades
}
6.6 可视化代码
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
def plot_turnover_analysis(df, turnover_col='daily_turnover',
ma_windows=[5, 10, 20], figsize=(14, 10)):
"""
换手率分析可视化
参数:
df (pd.DataFrame): 包含价格和换手率数据的DataFrame
turnover_col (str): 换手率列名
ma_windows (list): 移动平均窗口列表
figsize (tuple): 图表大小
"""
fig, axes = plt.subplots(3, 1, figsize=figsize, height_ratios=[2, 1, 1],
sharex=True)
# 子图1：价格走势
axes[0].plot(df.index, df['close'], color='#1E88E5', linewidth=1.2,
label='收盘价')
axes[0].fill_between(df.index, df['close'], alpha=0.1, color='#1E88E5')
axes[0].set_ylabel('价格（元）', fontsize=12)
axes[0].set_title('换手率综合分析', fontsize=14, fontweight='bold')
axes[0].legend(loc='upper left')
axes[0].grid(True, alpha=0.3)
# 子图2：换手率及均线
axes[1].bar(df.index, df[turnover_col], alpha=0.5, color='#90CAF9',
label='日换手率')
colors = ['#FF5722', '#FFC107', '#4CAF50']
for i, w in enumerate(ma_windows):
ma_col = f'ma{w}_turnover'
if ma_col in df.columns:
axes[1].plot(df.index, df[ma_col], color=colors[i],
linewidth=1.2, label=f'MA{w}换手率')
# 添加阈值线
axes[1].axhline(y=1, color='gray', linestyle='--', alpha=0.5, linewidth=0.8)
axes[1].axhline(y=7, color='orange', linestyle='--', alpha=0.5, linewidth=0.8)
axes[1].axhline(y=15, color='red', linestyle='--', alpha=0.5, linewidth=0.8)
axes[1].set_ylabel('换手率（%）', fontsize=12)
axes[1].legend(loc='upper left')
axes[1].grid(True, alpha=0.3)
# 子图3：成交量
axes[2].bar(df.index, df['volume'] / 10000, alpha=0.6,
color='#26A69A', label='成交量（万手）')
axes[2].set_ylabel('成交量（万手）', fontsize=12)
axes[2].set_xlabel('日期', fontsize=12)
axes[2].legend(loc='upper left')
axes[2].grid(True, alpha=0.3)
axes[2].xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
axes[2].xaxis.set_major_locator(mdates.MonthLocator(interval=1))
plt.tight_layout()
plt.savefig('turnover_analysis.png', dpi=150, bbox_inches='tight')
plt.show()
def plot_turnover_price_scatter(df, turnover_col='daily_turnover',
pct_change_col='pct_change', figsize=(10, 8)):
"""
换手率与涨跌幅散点图
参数:
df (pd.DataFrame): 包含换手率和涨跌幅数据的DataFrame
turnover_col (str): 换手率列名
pct_change_col (str): 涨跌幅列名
figsize (tuple): 图表大小
"""
fig, ax = plt.subplots(figsize=figsize)
# 根据涨跌着色
colors = np.where(df[pct_change_col] >= 0, '#EF5350', '#26A69A')
sizes = np.abs(df[pct_change_col]) * 5 + 10
scatter = ax.scatter(df[turnover_col], df[pct_change_col],
c=colors, s=sizes, alpha=0.6, edgecolors='white',
linewidth=0.5)
ax.axhline(y=0, color='gray', linestyle='-', alpha=0.3)
ax.axvline(x=7, color='orange', linestyle='--', alpha=0.5, label='高换手率阈值(7%)')
ax.axvline(x=15, color='red', linestyle='--', alpha=0.5, label='极高换手率阈值(15%)')
ax.set_xlabel('换手率（%）', fontsize=12)
ax.set_ylabel('涨跌幅（%）', fontsize=12)
ax.set_title('换手率与涨跌幅关系散点图', fontsize=14, fontweight='bold')
ax.legend(loc='upper right')
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('turnover_price_scatter.png', dpi=150, bbox_inches='tight')
plt.show()
七、实战案例
7.1 A股低位高换手选股案例
案例背景：2024年某A股上市公司（以下简称"A公司"），市值约80亿元，属于小盘股。该股在经历长达8个月的下跌后，累计跌幅达45%，股价从22元跌至12元左右。
换手率变化过程：
| 阶段 | 时间段 | 日均换手率 | 股价区间 | 市场特征 |
|---|---|---|---|---|
| 阴跌期 | 1月-6月 | 0.8%-1.5% | 22→13元 | 持续阴跌，成交低迷 |
| 筑底期 | 7月-8月 | 1.0%-2.0% | 12-13元 | 跌速放缓，开始横盘 |
| 放量期 | 9月初 | 5%-8% | 12-14元 | 换手率突然放大3-5倍 |
| 突破期 | 9月中旬 | 6%-10% | 14-16元 | 放量突破，确认趋势 |
| 上涨期 | 10月-12月 | 4%-7% | 16-20元 | 温和放量上涨 |
分析要点：
- 在阴跌期，换手率长期低于1.5%，表明市场对该股完全失去兴趣。
- 筑底期换手率略有回升，但仍在2%以下，属于地量水平。
- 9月初换手率突然从1.5%飙升至5%以上，放大超过3倍，且股价不再创新低，这是典型的底部放量吸筹信号。
- 9月中旬换手率维持在6%-10%的高位，股价突破前期整理平台，确认上升趋势。
- 上涨期换手率回落至4%-7%的健康水平，说明筹码锁定良好，上涨趋势可持续。
操作策略：在9月初换手率首次放大且股价不创新低时轻仓试探（买入1/3仓位），在放量突破平台时加仓（买入1/3仓位），在上涨趋势确认后持有（保留1/3现金作为后备）。止损位设在放量前的低点下方5%。
7.2 次新股换手率分析案例
案例背景：某创业板新股上市，发行价25元，上市首日涨幅达44%（达到涨停限制），随后进入无涨跌幅限制的5个交易日。
换手率变化过程：
| 交易日 | 收盘价 | 换手率 | 成交量（万股） | 分析 |
|---|---|---|---|---|
| 上市首日 | 36.00 | 68.5% | 6850 | 首日换手极高，筹码大量换手 |
| 第2日 | 42.00 | 45.2% | 4520 | 换手率仍高，多空分歧大 |
| 第3日 | 38.50 | 32.8% | 3280 | 冲高回落，换手率开始下降 |
| 第4日 | 35.00 | 18.5% | 1850 | 继续调整，换手率快速下降 |
| 第5日 | 33.00 | 12.3% | 1230 | 趋于稳定，换手率接近正常 |
| 第10日 | 30.50 | 5.2% | 520 | 筹码逐步沉淀 |
| 第20日 | 28.00 | 3.1% | 310 | 换手率回归正常 |
| 第60日 | 32.00 | 4.5% | 450 | 新一轮行情启动 |
分析要点：
- 次新股上市初期换手率极高是正常现象，因为中签者倾向于上市首日卖出获利了结。
- 首日68.5%的换手率意味着超过2/3的流通筹码换了主人，这是新股特有的现象。
- 随着交易日增加，换手率逐步下降，筹码从短线投机者向中线投资者转移。
- 第60日换手率从低位再次上升至4.5%，且股价企稳回升，可能预示新一轮行情的启动。
操作策略：次新股上市初期（前5个交易日）换手率极高，波动剧烈，不建议普通投资者参与。待换手率稳定在5%以下且股价企稳后，可结合基本面分析考虑介入。当换手率从低位再次上升时，可能是较好的介入时机。
7.3 主力吸筹/出货换手率特征案例
案例背景：某主板上市公司（以下简称"B公司"），市值约200亿元。该股在2024年上半年完成了一轮完整的"主力吸筹-拉升-出货"周期。
阶段一：主力吸筹期（1月-3月）
| 特征 | 具体表现 |
|---|---|
| 股价表现 | 在15-17元区间窄幅震荡，波幅不超过10% |
| 换手率特征 | 日均换手率2%-4%，间歇性出现5%-8%的脉冲 |
| 成交量特征 | 整体缩量，但间歇性出现温和放量 |
| 筹码变化 | 股东人数从8万降至6.5万，筹码趋于集中 |
| K线形态 | 多为小阳小阴线，偶有中阳线 |
分析：吸筹期换手率不高但稳定，主力通过小单持续买入，避免引起市场关注。间歇性的换手率脉冲是主力集中吸筹的表现。
阶段二：拉升期（4月-6月）
| 特征 | 具体表现 |
|---|---|
| 股价表现 | 从17元稳步上涨至28元，涨幅约65% |
| 换手率特征 | 日均换手率4%-7%，呈现"涨时放量、跌时缩量"特征 |
| 成交量特征 | 上涨日成交量明显放大，回调日成交量萎缩 |
| 筹码变化 | 股东人数稳定在6万左右 |
| K线形态 | 阳线多阴线少，阳线实体较大 |
分析：拉升期换手率适中且呈现规律性波动，表明主力控盘良好，上涨趋势健康。"涨放量跌缩量"是典型的健康上涨特征。
阶段三：出货期（7月-8月）
| 特征 | 具体表现 |
|---|---|
| 股价表现 | 在26-30元区间震荡，多次冲高回落 |
| 换手率特征 | 日均换手率急剧上升至8%-15%，多次超过15% |
| 成交量特征 | 成交量持续维持在高位，甚至创出天量 |
| 筹码变化 | 股东人数从6万急剧增至9万，筹码快速分散 |
| K线形态 | 频繁出现长上影线、十字星等见顶信号 |
分析：出货期换手率急剧放大是核心识别特征。主力在高位通过大量对倒交易吸引跟风盘，同时暗中出货。换手率超过15%的交易日往往是主力集中出货的日子。股东人数急剧增加是筹码从主力向散户转移的直接证据。
操作策略：在吸筹期尾声（换手率开始温和放大且股价突破平台）时介入，在拉升期持股不动，在出货期初期（换手率突然急剧放大且出现长上影线）时果断离场。
八、优缺点总结
优点
-
标准化程度高：换手率通过将成交量除以流通股本，消除了股本规模的影响，实现了不同股票之间的横向可比性，这是原始成交量无法做到的。
-
反映市场真实活跃度：换手率直接衡量了市场中股票所有权转移的频率，能够真实反映市场的交易活跃程度和投资者参与意愿。
-
揭示主力行为：异常的换手率变化往往是主力资金进出市场的信号。低位放量吸筹、高位放量出货等经典主力行为模式，都可以通过换手率变化来识别。
-
多维度分析价值：换手率可以与价格、成交量、均线等多个维度结合分析，形成丰富的交易信号体系，适用于不同风格和周期的投资者。
-
计算简单直观：换手率的计算公式简单明了，数据获取方便，不需要复杂的数学模型，适合各类投资者使用。
-
适用范围广泛：换手率不仅适用于个股分析，还可以用于行业板块比较、市场整体活跃度评估、ETF流动性分析等多个层面。
缺点
-
流通股本数据滞后：流通股本会随着限售股解禁、增发、回购等事件发生变化，但数据更新可能存在滞后，导致换手率计算出现偏差。特别是对于频繁发生股本变动的公司，这一问题更为突出。
-
无法区分交易方向：换手率只反映交易活跃程度，无法区分买入和卖出的力量对比。同样10%的换手率，可能是主力在买入，也可能是主力在卖出，需要结合价格走势和其他指标综合判断。
-
对异常交易敏感：大宗交易、大宗减持、转融通出借等非正常交易行为都会影响换手率，可能导致换手率失真。特别是在计算日换手率时，单笔大额交易可能使换手率出现异常跳升。
-
不同口径差异大：绝对换手率、相对换手率、自由流通换手率等不同口径的计算结果差异显著，不同数据平台可能采用不同的计算口径，导致横向比较时需要注意口径一致性。
-
阈值标准不统一：换手率的"高"与"低"因市值、板块、市场环境等因素而异，不存在放之四海而皆准的标准阈值。投资者需要根据具体情况动态调整参数，这增加了使用难度。
-
滞后性：换手率是事后计算的指标，当投资者观察到换手率变化时，市场行情可能已经走了一段。虽然换手率移动平均可以部分缓解这一问题，但无法完全消除滞后性。
-
次新股和特殊品种适用性差：对于刚上市的次新股，由于中签者集中卖出，换手率会异常偏高，传统的换手率分析框架可能失效。对于交易不活跃的冷门股，换手率可能长期处于极低水平，分析价值有限。
适用场景建议
| 场景 | 适用性 | 说明 |
|---|---|---|
| 个股趋势分析 | 高 | 换手率与价格走势结合，判断趋势健康度 |
| 主力行为追踪 | 中高 | 异常换手率可辅助识别主力进出 |
| 选股筛选 | 高 | 通过换手率阈值快速筛选活跃个股 |
| 板块比较 | 中 | 需注意板块内市值差异 |
| 市场整体评估 | 中 | 可用全市场平均换手率衡量市场情绪 |
| 次新股分析 | 低 | 换手率失真，需特殊处理 |
| 量化策略 | 高 | 换手率信号易于量化，适合系统化交易 |
本文档详细介绍了换手率指标的定义、计算方法、参数调整策略、核心交易信号、与其他指标的配合使用方法，以及完整的Python代码实现和实战案例分析。换手率作为技术分析中的基础但核心的指标，其价值在于将成交量标准化，为投资者提供了一个简洁而有效的市场活跃度度量工具。在实际应用中，建议将换手率与价格走势、成交量、均线等多个指标结合使用，以提高分析的准确性和可靠性。
上述内容经供学习参考，股市有风险投资需谨慎