做缠论程序化这件事,最初纯粹是被手工复盘逼出来的。K线图上每一根线的顶分型、底分型,笔画来画去,碰到包含关系复杂的走势,经常盯半天还不确定该不该合并,更别提高低点取哪个了。后来我决心把这套规则用Python固化下来,从数据清洗到分型识别再到笔画分,一条流水线跑完,几秒钟把过去需要半小时的复盘工作干完。这篇就把我的实现思路、完整代码和踩过的坑都摊开来讲,给想用python做缠论K线分型和笔的自动识别的朋友一条能直接抄的路。
整套程序化的核心难点不在写代码,而在把缠论里那些文字定义转换成无歧义的算法规则。比如“顶分型”听起来简单,但一旦遇到K线包含关系,连“哪三根K线构成分型”都会变得模糊。我实现的流程是:原始K线 → 包含关系处理 → 标准K线序列 → 分型识别 → 笔的划分 → 可视化验证。下面按这个顺序逐一拆解。
1. 缠论分型与笔的本质:为什么值得程序化
1.1 从手工复盘到程序化的转变
缠论里的分型和笔,放在纸面上是几条明明白白的规则,但真去手工标注的时候,问题就来了。一个大级别的日K走势,一年下来两百多根K线,逐根判断包含、合并,再在三根标准K线上确认分型,最后把顶底连接成笔,整个过程费眼又费神。更麻烦的是,手工操作容易前后矛盾——前面一根K线和后面两根都有包含关系,处理顺序不同,出来的分型可能就不一样。
我最早用的是现成的炒股软件自带画笔工具,但它只能做半自动的辅助,遇到需要精细控制“新笔”还是“老笔”定义、或者想统一处理多只股票的时候就非常吃力。后来我意识到,分型和笔本质上就是一套“如果-那么”的判断规则,这种规则天然适合交给程序去跑。只要把规则定义清楚,程序不会有情绪、不会疲劳,同一套逻辑跑一百只股票结果完全一致,这才是程序化最大的价值。
当然,程序化还有一个隐蔽的好处:它逼着你把缠论里模糊的概念彻底搞清楚。比如“包含关系”合并时,向上走势取高高还是取高低,向下走势取低低还是取低高,这些细节手绘时可能随意处理,但写代码时每一个分支都必须明确。这个过程本身就是对缠论理解的一次校准。
1.2 分型和笔的核心概念快速梳理
先花半分钟把基础概念对齐,后面讲算法才不会绕。
- 顶分型:连续三根K线,中间那根K线的最高点是三根中最高的,最低点也是三根中最高的。
- 底分型:连续三根K线,中间那根K线的最低点是三根中最低的,最高点也是三根中最低的。
- 包含关系:相邻两根K线,其中一根的最高点和最低点都被另一根完全覆盖,此时需要把两根K线合并成一根标准K线。
- 包含处理:按照走势方向,向上走势取“高高”(两根K线最高点的最大值、最低点的最大值),向下走势取“低低”(两根K线最低点的最小值、最高点的最小值)。
- 笔:相邻的顶分型和底分型之间构成一笔。底分型到顶分型是上升笔,顶分型到底分型是下降笔。顶底之间必须满足最小K线间隔要求。
这里的“标准K线序列”是程序化里很关键的概念。原始K线经过包含关系合并之后,得到的新序列才是识别分型的依据。如果直接拿原始K线去找顶底分型,遇到包含关系时很可能把不该算的分型算进去,或者漏掉真正的分型。
1.3 程序化实现的整体框架
具体到程序结构,我把它拆成四层。最底层是数据层,负责加载和处理K线的OHLC数据,保证没有空值、没有非法的最高价低于最低价等脏数据。第二层是包含关系处理层,输出标准K线序列。第三层是分型识别层,在标准K线上扫描顶底分型,输出分型列表。最上层是笔画分层,把分型序列按照规则连接成笔。
这样的分层设计有一个很实际的好处:每一层都可以单独测试。比如我可以先只跑包含处理,把合并后的标准K线画在图上,用肉眼核对合并逻辑是否正确,再进入分型识别。如果一上来就把全流程跑完,出了问题根本不知道是哪一层算错了。我在实际开发中就是先用一个构造的小样本数据集逐层验证,确认无误后才接到真实行情数据上。
2. 包含关系处理:程序化实现的第一道关卡
2.1 包含关系的判定标准
两根K线是否存在包含关系,判定起来很直观。一根K线的高点大于等于另一根的高点,同时低点小于等于另一根的低点,说明这根K线把另一根完全“包住”了。反之亦然也可。这里要注意,我把“等于”也算作包含,因为等高点或等低点虽然不影响最终K线形态,但在判断走势方向时会引入歧义,统一按包含处理更加干净。
关于包含关系,我最初犯过一个方向性的错误。我以为只有两根实体K线重叠才算包含,但缠论里的包含比较的是最高价和最低价,跟开盘价收盘价没有关系。也就是说,哪怕一根是光头光脚大阳线、另一根是长下影小阴线,只要最高点最低点存在覆盖关系,就必须合并处理。用OHLC数据实现时,只取high和low两个字段做比较就够了。
2.2 向上与向下走势下不同的合并规则
处理包含关系的难点在于:同样的包含形态,在不同的走势方向上,合并出来的标准K线完全不同。
如果当前处于向上走势,说明价格重心在抬高,包含时要保留向上动能更足的特征,所以取两根K线中较高的最高点和较高的最低点,也就是“高高”。这样做可以理解为把两根K线“捏”成一根更长的阳线,延续上升趋势的表达。如果当前处于向下走势,价格重心在下移,合并时取较低的最高点和较低的最低点,也就是“低低”,避免包含掩盖下跌力度。
关键在于“当前的走势方向”怎么确定。我的规则是:比较最近两个没有包含关系的标准K线,如果后一根最高点高于前一根最高点,判定方向向上;反之判定方向向下。换句话说,只有在出现非包含关系的时候,方向才会被重新校准。如果连续出现包含关系,则沿用最近一次校准得到的方向。这种处理方式好在稳定性强,不会因为单根K线的微小波动频繁反转方向。
2.3 包含处理的代码实现及边界情况
先看核心代码,这一段是整个缠论程序化的地基。
import pandas as pd
import numpy as np
def process_contain(klines):
"""
处理K线包含关系
klines: DataFrame, 至少包含 high 和 low 两列
返回处理后的标准K线列表,每个元素为字典:
{'high': 最高价, 'low': 最低价, 'idx': 原始K线索引, 'pos': 标准K线位置}
"""
processed = []
direction = 0 # 1代表向上, -1代表向下, 0代表方向未定
for idx, row in klines.iterrows():
h =
382



被折叠的 条评论
为什么被折叠?



