如何用 Python 计算 EMV 简易波动指标？

一句话回答： EMV（Ease of Movement，简易波动指标）把「价格移动的幅度」和「推动它所需的成交量」结合起来，衡量股价上涨/下跌是不是「轻松」------放小量就能涨说明上行轻松（EMV 高），放大量才涨一点说明滞涨（EMV 低）。用 AlphaFeed 取回前复权日线 的 high/low/volume 后，几行 pandas 就能算出 EMV 与其均线，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

只看涨跌幅看不出「涨得费不费力」。同样涨 2%，缩量上涨（轻松）和放巨量才涨（滞涨、可能出货）意义完全不同。EMV 用量价关系量化这种「难易度」。坑在于：一是要用前复权价 ，否则除权跳空污染幅度；二是成交量量纲影响 EMV 数值大小，需要缩放，判断时看方向与零轴而非绝对值。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

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)

EMV 依赖每日最高/最低价，务必用 adjust="forward"（前复权），避免除权跳空。

第 2 步：计算 EMV 与信号均线

python 复制代码

def emv(df: pd.DataFrame, n: int = 14, vol_scale: float = 1e5):
    mid = (df["high"] + df["low"]) / 2
    distance = mid - mid.shift(1)                       # 中价移动幅度
    box = (df["volume"] / vol_scale) / (df["high"] - df["low"])  # 单位量能推动的"阻力"
    emv1 = distance / box                               # 单期 EMV
    emv_line = emv1.rolling(n).mean()                   # N 日平滑
    return emv_line

df["EMV"] = emv(df)
df["EMV_ma"] = df["EMV"].rolling(9).mean()              # 信号线
print(df[["trade_date", "close", "EMV", "EMV_ma"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值
`n`	EMV 平滑周期	14
`vol_scale`	成交量缩放（让数值适中）	按品种调，如 1e5
`EMV > 0`	上行轻松（缩量能涨）	偏多
`EMV < 0`	下行轻松/上行滞涨	偏空
零轴上穿	由滞涨转为轻松上行	转强信号

第 3 步：解读信号（零轴与背离）

python 复制代码

prev, cur = df["EMV"].iloc[-2], df["EMV"].iloc[-1]
if prev <= 0 < cur:
    print("EMV 上穿零轴：上行变轻松（偏多）")
elif prev >= 0 > cur:
    print("EMV 下穿零轴：上行滞涨/下行轻松（偏空）")

# 价格创新高但 EMV 未同步走高 → 放量滞涨，警惕
window = 20
price_high = df["close"].iloc[-1] >= df["close"].tail(window).max()
emv_high = df["EMV"].iloc[-1] >= df["EMV"].tail(window).max()
if price_high and not emv_high:
    print("疑似放量滞涨：价格新高但 EMV 未创新高")

第 4 步：全市场批量筛「上行轻松」的票

python 复制代码

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

hits = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    e = emv(k)
    if pd.notna(e.iloc[-1]) and e.iloc[-1] > 0:
        hits.append((sym, round(float(e.iloc[-1]), 2)))
print("EMV>0（上行轻松）:", hits)

关键坑与注意事项

必须用前复权价：除权跳空会让中价移动幅度失真，EMV 出错。
看方向不看绝对值 ：EMV 数值受 vol_scale 影响，不同品种/缩放下量级不同，关注正负与零轴穿越、趋势。
除以零风险 ：当日 high == low（一字板/停牌）会让 box 分母为 0，需剔除或置 NaN。
EMV 是辅助指标：它擅长揭示「放量滞涨/缩量上行」，但不宜单独择时，配合趋势与量能一起看。
成交量单位是「手」 ：本 SDK volume 以手计，缩放系数按品种调到 EMV 数值适中即可。
样本要足够 ：n=14 + 均线需要预热，count 建议 ≥ 40，忽略头部 NaN。

常见问题（FAQ）

Q：EMV 和 OBV 有什么区别？ A：OBV 累加带方向的成交量看资金进出；EMV 衡量「单位成交量能推动多大价格移动」，侧重上涨/下跌的难易度。二者可互补。

Q：EMV 数值忽大忽小正常吗？ A：正常，它对量价比敏感。判断时看正负、零轴穿越与相对趋势，不要纠结绝对数值。

Q：vol_scale 怎么定？ A：它只是把成交量缩放到合适量级、方便观察，不改变符号与趋势。按品种调到 EMV 在个位/十位量级即可。

Q：需要付费吗？ A：单只历史日线有免费额度；全市场批量算 EMV（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

EMV 简易波动指标的本质是「价格移动幅度 ÷ 单位成交量」，量化股价涨跌的难易度，特别适合识别放量滞涨与缩量上行。实现只需 pandas，不依赖 TA-Lib。关键是用前复权价、看方向而非绝对值、处理 high==low 的除零。用 AlphaFeed 取回前复权日线，几行就能算出 EMV 并做全市场筛选。

参考

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