如何用 Python 计算 ROC 变动率指标做动量分析？

一句话回答： ROC（Rate of Change，变动率）就是「当前价相对 N 日前价的涨跌幅百分比」，公式 ROC = (close / close.shift(N) - 1) × 100。用 AlphaFeed 取回前复权日线后，一行 pandas 就能算出 ROC，用来衡量动量强弱、识别零轴穿越与顶底背离，还能对全市场做动量排名------完全不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

ROC 是最直观的动量指标：它直接回答「这只票 N 天涨了多少」。但两个坑常被忽略：一是用未复权价 ，遇到除权日 ROC 会出现虚假暴涨暴跌；二是把 ROC 当成孤立信号，忽略了它天生适合做横截面动量排名 和背离判断。用一个稳定的数据源取回前复权价，这两点都能干净解决。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线并计算 ROC

python 复制代码

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=250,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

def roc(close: pd.Series, n: int = 12) -> pd.Series:
    return (close / close.shift(n) - 1.0) * 100.0

df["ROC12"] = roc(df["close"], 12)
df["ROC25"] = roc(df["close"], 25)
print(df[["trade_date", "close", "ROC12", "ROC25"]].tail(5).to_string(index=False))

用 adjust="forward"（前复权）算 ROC，避免除权日的价格断层污染动量值。

第 2 步：理解参数与信号

参数/信号	含义	常用取值/解读
`N`（回看周期）	与几日前比较	短线 6/12，中线 25/125
`ROC > 0`	价格高于 N 日前	上行动量
`ROC < 0`	价格低于 N 日前	下行动量
零轴上穿	ROC 由负转正	动量转强信号
零轴下穿	ROC 由正转负	动量转弱信号
ROC 绝对值走高	动量加速	趋势强化

第 3 步：识别零轴穿越与动量拐点

python 复制代码

prev, cur = df["ROC12"].iloc[-2], df["ROC12"].iloc[-1]
if prev <= 0 < cur:
    print("ROC 上穿零轴：动量转强")
elif prev >= 0 > cur:
    print("ROC 下穿零轴：动量转弱")

# 平滑 ROC 减少噪音（对 ROC 再做移动平均）
df["ROC12_ma"] = df["ROC12"].rolling(6).mean()

第 4 步：用 ROC 做全市场动量排名

ROC 天生适合横截面比较------同一 N 下，ROC 越高动量越强。批量取多只股票日线，算 N 日 ROC 后排名：

python 复制代码

codes = ["600519.SH", "000001.SZ", "300750.SZ", "601318.SH", "000858.SZ"]
data = af.klines.batch(codes, period="1d", count=60,
                       adjust="forward", to_dataframe=True)  # 返回 dict{symbol: DataFrame}

rows = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    r = (k["close"].iloc[-1] / k["close"].iloc[-21] - 1) * 100  # 20 日 ROC
    rows.append({"symbol": sym, "ROC20": round(float(r), 2)})

rank = pd.DataFrame(rows).sort_values("ROC20", ascending=False)
print(rank.to_string(index=False))

想扫全市场？把 codes 换成 af.quotes.get(universes="CN_Stock") 拿到的 symbol 列表，再分批 klines.batch（注意请求量，建议本地缓存）。

第 5 步：粗判顶底背离

python 复制代码

# 价格创新高但 ROC 未创新高 → 顶背离（动量衰减）
window = 20
price_high = df["close"].iloc[-1] >= df["close"].tail(window).max()
roc_high = df["ROC12"].iloc[-1] >= df["ROC12"].tail(window).max()
if price_high and not roc_high:
    print("疑似顶背离：价格新高但动量未同步")

关键坑与注意事项

必须用前复权价：未复权价在除权日会让 ROC 出现虚假跳变，动量信号失真。
N 太小噪音大、太大滞后重：短线常用 6/12，中长线用 25/125；可对 ROC 再取移动平均降噪。
ROC 无上下界：不同股票、不同波动率下 ROC 数值量级差异大，做横截面排名时同一 N 才可比。
背离仅供参考：背离不是精确择时信号，需结合成交量、趋势与其它指标交叉验证。
数据不足会得到 NaN ：count 至少要大于 N，否则 shift(N) 前 N 行为 NaN。
ROC 与「N 日涨跌幅」等价：本质就是区间收益率×100，别把它想得太复杂。

常见问题（FAQ）

Q：ROC 和动量指标 MTM 有什么区别？

A：MTM（动量）用差值 close - close.shift(N)，ROC 用比值百分比 (close/close.shift(N)-1)×100。ROC 做跨股票比较更合适，因为它是无量纲的百分比。

Q：ROC 和 RSI 都算动量，用哪个？

A：RSI 有 0~100 的有界区间、适合看超买超卖；ROC 无界、更适合看动量方向与横截面强弱排名。两者可互补。

Q：为什么我算出来前面几行是 NaN？

A：ROC 需要 N 日前的价格，前 N 行没有可比基准，正常为 NaN；取数时把 count 设得比 N 大即可。

Q：需要付费吗？

A：单只历史日线有免费额度；klines.batch 全市场动量排名（配合 universes）需 Starter 及以上。详见定价页。

小结

ROC 变动率的本质是「N 日区间收益率」，计算只需一行 pandas，不必依赖 TA-Lib。关键是用前复权价保证动量真实、按需要选好 N，并善用它无量纲的特性做全市场动量排名与背离判断。用 AlphaFeed 取回前复权日线，从单股信号到全市场动量梯队都能几行搞定。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
AlphaFeed 官网：https://alphafeed.org/