牛市来了，花姐教你打造自己的A股情绪指标

为什么你总跑不过指数？

有没有这种感觉？ 明明指数涨了 ，你账户却没赚钱 ，甚至还亏？ 但是指数跌了一点点，你账户却被"血洗"了......

这不是错觉，也不是你"不会选股"那么简单，而是你可能低估了市场情绪的作用！

---

一、上证指数 ≠ 真实市场温度

我们每天都在看指数：上证、深成、创业板...... 但别忘了一个基本事实：

指数只是一个加权平均数，权重股在涨，指数就涨，哪怕90%的股票在跌！

尤其上证指数，权重股大象跳舞（比如银行、有色金属、钢铁、煤炭这4个搅屎棍子），指数看起来很稳，但中小盘个股已经一地鸡毛。

所以，我们要找到一个比指数更真实反映市场情绪 的工具，来帮我们看懂当下的市场状态。

我最近构建了一个小工具------
指数情绪指标，亲测比直接看指数要稳，原理不复杂通过统计全市场的乖离率（BIAS），直接量化市场情绪冷暖。

---

二、BIAS情绪指标：怎么看市场热不热、冷不冷？

先复习一下BIAS的定义：

BIAS = (当前价格 - 均线价格) / 均线价格 * 100%

它描述的是"价格偏离均线的程度"。

我们通常在个股上看BIAS：

• 正BIAS高，短期涨太猛了，可能有回调风险
• 负BIAS高，短期超跌了，可能有反弹机会

但现在我们换个角度：

统计所有A股中，有多少股票的BIAS严重偏离了中位值？

我设定了一个简单的情绪指标模型，每天统计：

• 正BIAS超过5%的股票占比（bias_pos_ratio）
• 负BIAS低于-5%的股票占比（bias_neg_ratio）
• 大于0的BIAS股票占比（bias_up_ratio）

也就是说：

• bias_pos_ratio 高 → 市场过热，赚钱效应强，但容易见顶
• bias_neg_ratio 高 → 市场超跌，情绪恐慌，但可能接近底部
• bias_up_ratio → 反馈市场整体的情绪

---

三、一图胜千言：BIAS情绪 vs 上证指数

图表解读：

这张图我们绘制了三个情绪指标：

• 积极情绪（紫线） = bias > 5 的股票占比
• 消极情绪（橙线） = bias < -5 的股票占比
• 整体情绪（绿线） = bias > 0 的股票占比（即上涨股票占比）

我们从2025年初至7月中旬的K线与情绪三线图中，可以提炼出几个关键的市场信号和现象：

1. 情绪指标领先于指数拐点，具有预判能力

案例：3月底至4月初

• 指数在3月中下旬仍在阴跌震荡
• 消极情绪（橙线）飙升至高位，说明大量股票超跌，市场极度恐慌
• 此时积极情绪触底、整体情绪极低
• 紧接着4月初出现V型反弹，指数大涨，验证了情绪底信号

解读 ：消极情绪过度释放往往是短线底部区域，可作为抄底博弈的参考信号。

2. 指数上涨期间，如果积极情绪不上升，说明赚钱效应不强

案例：2月中旬至3月初

• 指数缓慢上行，但积极情绪持续走低
• 说明虽然权重股稳住了指数，但大部分股票并没有上涨
• 散户普遍感知"涨得不明显"，账户未涨，容易出现**"指数涨，我亏钱"**的错觉

解读 ：积极情绪不配合指数上行，是结构性行情的典型表现，此时适合控仓、防追高。

3. 指数横盘时，情绪波动剧烈 → 暗藏分歧行情

案例：5月中旬到6月上旬

• 指数看似震荡无方向，但你会看到：

  • 积极情绪高位震荡
  • 整体情绪高 → 多数股票偏离正向

• 说明指数横盘时，大量个股在涨，市场赚钱效应不错，只是"指数看不出来"

解读：这种情绪指标与指数"背离"时，是超额收益的重要机会，尤其适合高频/轮动策略入场。

4. 趋势末期：指数新高但情绪不再扩张

案例：6月末至7月初

• 指数创新高，但整体情绪和积极情绪都出现背离下滑
• 市场进入"上涨乏力"阶段，赚钱效应开始下降
• 这种情绪-价格背离，常见于上涨后期，是趋势衰竭的前兆

解读：此时应逐步收缩风险敞口，逢高减仓而不是追涨。

---

结合这张图，可以建立一套"情绪辅助择时"逻辑

情绪状态组合	市场状态	操作建议
消极情绪高 + 指数未企稳	恐慌释放期	可试探性低吸，控制仓位
积极情绪持续攀升 + 整体情绪高	普涨期	把握短期赚钱窗口
积极情绪下降 + 指数继续冲高	情绪背离	注意顶部信号，谨慎追涨
情绪三线同时低位	冷静期	适合潜伏、观察等待信号

当然你也可以根据自己对市场的了解+这3个情绪指标来建立一套独属于自己的择时逻辑

---

四、如何用Python实现

1. 下载历史行情

首先不管是用AKShare、baoStock还是花姐爱用的xtquant+miniQMT，我们先把所有股票的行情数据下载下来： 这里花姐用的是xtquant+miniQMT实现的

def get_hq(code_list,start_date='19900101',period='1d',dividend_type='front',count=-1)->pd.DataFrame:
    '''
    基于xtquant下载股票的历史行情
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data2(stock_list=code_list, period=period, incrementally=True,start_time=start_date)
    history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'],
                                             code_list, period=period, count=count, 
                                             dividend_type=dividend_type,start_time=start_date,fill_data=False)
    
    for code in code_list:
        df = history_data[code]
        df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
        df['date'] = df.index
        df.to_feather(os.path.join(target_dir,str(code)+".feather"))

2. 计算偏离率

def gen_bias():
    # 获取所有feather文件
    file_list = [f for f in os.listdir(target_dir) if f.endswith('.feather')]

    # 用于统计每一天的正/负BIAS个股数
    bias_pos_count = {}  # 日期 -> count  正乖离超过5%的股票比例
    bias_neg_count = {}  # 日期 -> count  负乖离超过5%的股票比例
    bias_up_count = {} # 日期 -> count  正乖离超过0%的股票比例
    total_stock_count = {}  # 日期 -> 有数据的股票数量

    for file in tqdm(file_list):
        try:
            df = pd.read_feather(os.path.join(target_dir, file))
            df = df.sort_values('date')
            
            # 自己算20日均线
            df['ma20'] = df['close'].rolling(20).mean()
            
            # 计算BIAS
            df['bias'] = (df['close'] - df['ma20']) / df['ma20'] * 100
            
            # 筛选出有效日期（ma20不为NaN）
            df = df.dropna(subset=['bias'])
            
            for i, row in df.iterrows():
                date = row['date']
                bias = row['bias']
                
                if date not in total_stock_count:
                    total_stock_count[date] = 0
                    bias_pos_count[date] = 0
                    bias_neg_count[date] = 0
                    bias_up_count[date] = 0
                
                total_stock_count[date] += 1
                
                if bias > 5:
                    bias_pos_count[date] += 1
                elif bias < -5:
                    bias_neg_count[date] += 1
                
                if bias > 0:
                    bias_up_count[date] += 1

        except Exception as e:
            print(f"跳过出错文件 {file}，错误信息：{e}")
    return bias_pos_count, bias_neg_count, bias_up_count, total_stock_count

3. 绘制图形

def draw_line(df_index,df_bias):
    df_merged = pd.merge(df_bias, df_index, on='date', how='inner')
    add_plots = [
        mpf.make_addplot(df_merged['bias_pos_ratio'], panel=2, color='purple', width=1.0, label='积极情绪'),
        mpf.make_addplot(df_merged['bias_neg_ratio'], panel=2, color='orange', width=1.0, label='消极情绪'),
        mpf.make_addplot(df_merged['bias_up_count'], panel=2, color='green', width=1.0, label='情绪'),
    ]
    df_merged['date'] = pd.to_datetime(df_merged['date'])
    df_merged.set_index('date', inplace=True)

    # 画图
    mpf.plot(
        df_merged,
        type='candle',
        style='yahoo',
        volume=True,
        addplot=add_plots,
        panel_ratios=(1, 1),  # 上面K线2份高度，下面情绪1份
        figratio=(16, 9),
        figscale=1.2,
        title='上证指数+多情绪指标',
        ylabel='价格',
        ylabel_lower='情绪指标'  # 设置副图y轴标签
    )

以上就是绘制大盘情绪指标的核心代码，关注花姐公众号领取完整代码