Python量化实战：如何用Python实现查找相似K线，附源码，建议收藏

前几天写文章分享了《Python实现相似K线的5种方法》，好多粉丝就问能不能提供一套现成的可跑的代码，这不今天就来了！

目标：从所有A股中，找出近期走势与"xxxx股票"在某段时间内K线走势最相似的前100只股票。核心方法：提取技术指标特征 → 归一化 → 计算余弦相似度 → 排序输出

准备好需要Python库

库名	说明
`mplfinance`	用于画K线图
`pandas`	常规数据处理
`matplotlib`	图像绘制
`xtquant`	基于迅投MiniQMT衍生出来的一套完善的Python策略运行框架
`numpy`	数值计算
`scikit-learn`	用于`MinMaxScaler`和`cosine_similarity`
`ta-lib`	技术指标库，常用于量化策略
`tqdm`	进度条

执行以下命令安装需要的库

bash 复制代码

pip install mplfinance pandas matplotlib numpy scikit-learn tqdm

ta-lib安装时大部分人会卡住，安装方法可以参考我之前写的文章，里面有详细安装教程：《史上最强量化工具库 Ta-Lib 从入门到精通，一篇文章就够了！》

接下来是安装xtquant，可以参考这篇文章：

《MiniQMT+Backtrader：平民股票量化界的"黄金搭档"，永远的神！》

代码实现

1、提取K线特征

前面的文章介绍了5种，今天实现多维度特征融合（价格 + 量能 + 技术指标） 的方式查找相似K线。

原理：只看价格走势太单一，我们可以融合多个维度，把每段K线变成"多维特征向量"后，再比较，不只要形似而要神似

首先提取K线的特征，这里用到了涨幅、量比、乖离率、RSI、MACD等指标，当然也可以根据你的需要换成其它指标。

python 复制代码

# 特征提取
def extract_features(df,start_date='',end_date='',count = -1):
    df = df.copy()

    # 价格特征：涨跌幅（连续序列）
    df['pct_change'] = df['close'].pct_change().fillna(0)
    
    # 成交量比值（放量）
    df['volume_ratio'] = df['volume'] / df['volume'].rolling(10).mean()
    
    # 均线乖离率（bias）
    df['bias'] = (df['close'] - df['close'].rolling(10).mean()) / df['close'].rolling(10).mean()
    
    # RSI指标（相对强弱指数）
    df['RSI'] = talib.RSI(df['close'], timeperiod=14)
    
    # MACD指标
    df['MACD'], df['MACD_signal'], df['MACD_hist'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)
    
    # 截取要对比的时间段
    if count==-1:
        df = df[(df['date']>=start_date) & (df['date']<=end_date)]
    else:
        df = df.tail(count)
    
    # 归一化：对于不同特征进行归一化处理，防止量纲不一致
    scaler = MinMaxScaler()
    features = ['pct_change', 'volume_ratio', 'bias', 'RSI', 'MACD', 'MACD_signal', 'MACD_hist']
    df[features] = scaler.fit_transform(df[features])
    
    return df[features].values  # 返回归一化后的特征矩阵

2、计算2段K线相似度

提取到K线特征以后是一个（window × n_features）二维矩阵，我们需要的是两个时间序列整体特征矩阵之间的相似度（1个值），通过余弦计算相似度时需要把特征矩阵展平矩阵为1维向量

python 复制代码

# 展平矩阵为1维向量
vec1 = features.flatten().reshape(1, -1)
vec2 = features_2.flatten().reshape(1, -1)
similarity   = cosine_similarity(vec1, vec2)[0][0]

similarity就是2段K线的相似度取值（0到1），值越大越相似最后我们保留相似度最高的前N条记录即可。

3、绘图验证

计算完相似度以后，我们可以把2段K线绘制出来，肉眼看看他们是不是长得相似

python 复制代码

def draw_k(df1, df2,title1 ,title2,save_path=None):
    # 创建子图
    # 设置 matplotlib 全局字体
    plt.rcParams['font.family'] = 'simhei'
    plt.rcParams['axes.unicode_minus'] = False
    
    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(15, 10), sharex=False)
    # 自定义样式
    my_style = mpf.make_mpf_style(base_mpf_style='yahoo',
                                  marketcolors=mpf.make_marketcolors(
                                    up='red',    # 涨：红色
                                    down='green',  # 跌：绿色
                                    edge='inherit',   # K线边框颜色（inherit 表示继承 up/down 颜色）
                                    wick='inherit',   # 上下影线颜色
                                    volume='inherit'  # 成交量颜色
                                ))
    # 绘制第一个K线图到 ax1
    mpf.plot(df1, type='candle',style=my_style, ax=ax1, volume=False, show_nontrading=True)
    ax1.set_title(title1)

    # 绘制第二个K线图到 ax2
    mpf.plot(df2, type='candle',style=my_style, ax=ax2, volume=False, show_nontrading=True)
    ax2.set_title(title2)

    # 布局紧凑
    plt.tight_layout()

    # 保存为PNG图片（如果提供了路径）
    if save_path:
        fig.savefig(save_path, dpi=300)
        print(f"图片已保存至: {save_path}")

    # 显示图像
    plt.show()