Plotly量化专用K线图(行情分析必备)

行情分析是量化策略落地的基础，而K线图则是行情分析的核心工具——通过红绿K线、上下影线，能直观呈现股价/期货价格的开盘、收盘、最高、最低点位，判断市场趋势和多空力量。传统绘制K线常用mplfinance，但操作繁琐、样式单一，且缺乏交互式体验；Plotly可轻松绘制专业K线图，支持红绿涨跌区分、叠加均线/布林带/成交量，还能优化时间轴、标注关键点位，操作更简洁、可视化效果更优，本篇将手把手教大家实操，所有代码可直接复制复用，新手也能快速上手，独立完成股票/期货行情分析和策略复盘。

📌 核心说明

本文适配Python 3.8+、Plotly 5.0+，无需额外配置环境（默认已完成中文、显示方式配置）；学习前建议掌握Plotly基础语法及Pandas数据处理技巧，能通过AkShare、Tushare等工具获取行情数据（包含开盘价、收盘价、最高价、最低价、成交量）。

落地成果：学完能独立绘制专业交互式K线图，实现红绿涨跌区分、叠加均线/布林带/成交量，优化时间轴、标注关键点位，替代mplfinance简化操作，适配股票/期货行情分析、策略复盘需求。

📈 Plotly K线图核心原理（极简理解）

Plotly绘制K线图，核心依赖plotly.graph_objects（go）模块（区别于之前的px模块），通过Candlestick（烛台图）函数实现K线绘制，重点控制4个核心参数：开盘价（open）、收盘价（close）、最高价（high）、最低价（low），再通过自定义配置实现红绿涨跌区分、上下影线显示，后续可叠加其他指标（均线、布林带），形成完整的行情分析图表。

核心优势：无需手动拼接K线组件，一行代码即可生成专业K线；支持交互式操作（悬浮查看详细行情、缩放时间区间）；可灵活叠加各类技术指标，操作比mplfinance更简洁，适配量化复盘场景。

🔧 实战场景1：基础K线图（红绿涨跌+上下影线）

基础K线图是行情分析的基础，重点实现“红绿涨跌区分”（收盘价>开盘价为涨，显示红色；收盘价<开盘价为跌，显示绿色）、清晰呈现上下影线，同时优化时间轴，适配A股/期货行情习惯。

import plotly.graph_objects as goimport pandas as pdimport numpy as np# 1. 准备行情数据（模拟A股日线数据，可替换为AkShare/Tushare真实数据）# 日期范围：2024年1-3月（60个交易日）date = pd.date_range(start="2024-01-01", periods=60, freq="D")np.random.seed(42)# 模拟开盘价、收盘价、最高价、最低价（贴合A股股价范围）open_price = np.round(np.random.uniform(30, 40, 60), 2)close_price = np.round(open_price + np.random.uniform(-1.5, 1.5, 60), 2)high_price = np.round(np.maximum(open_price, close_price) + np.random.uniform(0.1, 0.8, 60), 2)low_price = np.round(np.minimum(open_price, close_price) - np.random.uniform(0.1, 0.8, 60), 2)# 整理成DataFrame（Plotly K线图首选格式）df = pd.DataFrame({    "日期": date,    "开盘价": open_price,    "收盘价": close_price,    "最高价": high_price,    "最低价": low_price})# 2. 绘制基础K线图（核心代码）fig = go.Figure(data=[go.Candlestick(    x=df["日期"],    open=df["开盘价"],    high=df["最高价"],    low=df["最低价"],    close=df["收盘价"],    # 红绿涨跌区分（适配A股习惯：涨红跌绿）    increasing_line_color="#FF6B6B",  # 上涨K线颜色（红色）    increasing_fillcolor="#FF6B6B",    decreasing_line_color="#4ECDC4",  # 下跌K线颜色（绿色）    decreasing_fillcolor="#4ECDC4",    line_width=1,  # K线边框粗细    whiskerwidth=0.5  # 上下影线宽度)])# 3. 优化布局（适配行情分析，重点调整时间轴）fig.update_layout(    title=dict(text="A股某股票日线K线图（2024年1-3月）", font=dict(size=14, weight="bold"), x=0.5),    xaxis=dict(        title="日期",        title_font=dict(size=12),        tickfont=dict(size=10),        tickangle=45,        # 时间轴优化：显示每月1号标记，避免日期过于密集        tickformat="%Y-%m-%d",        rangeslider_visible=False  # 隐藏时间范围滑块，避免冗余（按需开启）    ),    yaxis=dict(        title="股价（元）",        title_font=dict(size=12),        tickfont=dict(size=10),        # 股价轴优化：显示网格线，方便判断价格区间        gridcolor="#EEEEEE",        zeroline=False    ),    margin=dict(l=50, r=50, t=50, b=80),    plot_bgcolor="white",    hovermode="x unified"  # 悬浮时显示同一日期的所有行情数据)# 4. 显示并保存fig.show()fig.write_html("基础K线图.html")  # 交互版，用于行情分析fig.write_image("基础K线图.png", scale=3)  # 高清图片版，用于复盘报告

关键说明：

✅ 涨跌颜色配置：通过increasing（上涨）、decreasing（下跌）参数设置颜色，贴合A股“涨红跌绿”习惯，也可根据需求调整为美股“涨绿跌红”；

✅ 时间轴优化：rangeslider_visible=False 隐藏底部时间滑块，避免冗余；tickformat设置日期格式，避免标签重叠；

✅ 交互式体验：悬浮时可清晰查看当日开盘价、收盘价、最高价、最低价，无需手动标注，适配行情复盘。

🔧 实战场景2：K线图叠加均线/布林带（技术分析必备）

行情分析中，仅看K线不够，需叠加均线（MA）、布林带（BOLL）等技术指标，辅助判断趋势和支撑压力位。Plotly可通过“多图表叠加”实现，将K线与均线、布林带同屏显示，操作简洁，无需额外拼接代码。

import plotly.graph_objects as goimport pandas as pdimport numpy as np# 1. 准备行情数据+技术指标数据date = pd.date_range(start="2024-01-01", periods=60, freq="D")np.random.seed(42)open_price = np.round(np.random.uniform(30, 40, 60), 2)close_price = np.round(open_price + np.random.uniform(-1.5, 1.5, 60), 2)high_price = np.round(np.maximum(open_price, close_price) + np.random.uniform(0.1, 0.8, 60), 2)low_price = np.round(np.minimum(open_price, close_price) - np.random.uniform(0.1, 0.8, 60), 2)# 计算均线（MA5：5日均线，MA10：10日均线，MA20：20日均线）df = pd.DataFrame({    "日期": date,    "开盘价": open_price,    "收盘价": close_price,    "最高价": high_price,    "最低价": low_price})df["MA5"] = df["收盘价"].rolling(window=5).mean()  # 5日均线df["MA10"] = df["收盘价"].rolling(window=10).mean()  # 10日均线df["MA20"] = df["收盘价"].rolling(window=20).mean()  # 20日均线# 计算布林带（BOLL：中轨=MA20，上轨=MA20+2*标准差，下轨=MA20-2*标准差）df["中轨"] = df["收盘价"].rolling(window=20).mean()df["标准差"] = df["收盘价"].rolling(window=20).std()df["上轨"] = df["中轨"] + 2 * df["标准差"]df["下轨"] = df["中轨"] - 2 * df["标准差"]# 2. 绘制K线图+均线+布林带（核心：多图表叠加）fig = go.Figure()# 第一步：添加K线图（基础层）fig.add_trace(go.Candlestick(    x=df["日期"],    open=df["开盘价"],    high=df["最高价"],    low=df["最低价"],    close=df["收盘价"],    increasing_line_color="#FF6B6B",    increasing_fillcolor="#FF6B6B",    decreasing_line_color="#4ECDC4",    decreasing_fillcolor="#4ECDC4",    line_width=1,    whiskerwidth=0.5,    name="K线"))# 第二步：添加均线（中层）fig.add_trace(go.Scatter(    x=df["日期"],    y=df["MA5"],    mode="lines",    line=dict(color="#F9C74F", width=1.5),    name="MA5（5日均线）"))fig.add_trace(go.Scatter(    x=df["日期"],    y=df["MA10"],    mode="lines",    line=dict(color="#1E88E5", width=1.5),    name="MA10（10日均线）"))fig.add_trace(go.Scatter(    x=df["日期"],    y=df["MA20"],    mode="lines",    line=dict(color="#9C27B0", width=1.5),    name="MA20（20日均线）"))# 第三步：添加布林带（顶层，填充效果）fig.add_trace(go.Scatter(    x=df["日期"],    y=df["上轨"],    mode="lines",    line=dict(color="#90EE90", width=1, dash="dash"),    name="上轨（BOLL）"))fig.add_trace(go.Scatter(    x=df["日期"],    y=df["下轨"],    mode="lines",    line=dict(color="#90EE90", width=1, dash="dash"),    fill="tonexty",  # 填充上轨和下轨之间的区域    fillcolor="rgba(144, 238, 144, 0.2)",  # 半透明绿色填充    name="布林带区间"))fig.add_trace(go.Scatter(    x=df["日期"],    y=df["中轨"],    mode="lines",    line=dict(color="#90EE90", width=1),    name="中轨（BOLL）"))# 3. 布局优化（突出技术指标，适配分析）fig.update_layout(    title=dict(text="K线图+均线+布林带（技术分析版）", font=dict(size=14, weight="bold"), x=0.5),    xaxis=dict(        title="日期",        title_font=dict(size=12),        tickfont=dict(size=10),        tickangle=45,        rangeslider_visible=False    ),    yaxis=dict(        title="股价（元）",        title_font=dict(size=12),        tickfont=dict(size=10),        gridcolor="#EEEEEE"    ),    legend=dict(        font=dict(size=10),        x=0.02,        y=0.98,        align="left",        bgcolor="white",        bordercolor="gray",        borderwidth=1    ),    margin=dict(l=50, r=50, t=50, b=80),    plot_bgcolor="white",    hovermode="x unified")# 4. 显示并保存fig.show()fig.write_html("K线+均线+布林带.html")fig.write_image("K线+均线+布林带.png", dpi=300)

核心技巧：

✅ 多图表叠加：按“K线→均线→布林带”的顺序添加，确保底层图表不被遮挡；

✅ 布林带填充：通过fill="tonexty"填充上轨和下轨之间的区域，半透明效果既突出区间，又不遮挡K线和均线；

✅ 均线区分：不同均线用不同颜色和粗细区分，方便快速识别，贴合技术分析习惯。

🔧 实战场景3：K线图叠加成交量（完整行情分析）

成交量是行情分析的重要辅助指标，能反映市场活跃度，判断趋势的有效性。Plotly可通过“子图布局”实现K线图与成交量图同屏显示，上半部分展示K线+技术指标，下半部分展示成交量，形成完整的行情分析图表，替代mplfinance的复杂操作。

import plotly.graph_objects as gofrom plotly.subplots import make_subplotsimport pandas as pdimport numpy as np# 1. 准备行情数据+成交量数据date = pd.date_range(start="2024-01-01", periods=60, freq="D")np.random.seed(42)open_price = np.round(np.random.uniform(30, 40, 60), 2)close_price = np.round(open_price + np.random.uniform(-1.5, 1.5, 60), 2)high_price = np.round(np.maximum(open_price, close_price) + np.random.uniform(0.1, 0.8, 60), 2)low_price = np.round(np.minimum(open_price, close_price) - np.random.uniform(0.1, 0.8, 60), 2)# 模拟成交量（与涨跌正相关，贴合真实行情）volume = np.round(np.random.randint(5000, 20000, 60) * (1 + (close_price - open_price) / open_price), 0)# 计算5日均线df = pd.DataFrame({    "日期": date,    "开盘价": open_price,    "收盘价": close_price,    "最高价": high_price,    "最低价": low_price,    "成交量": volume})df["MA5"] = df["收盘价"].rolling(window=5).mean()# 2. 创建子图布局（上：K线+均线，下：成交量，比例3:1）fig = make_subplots(    rows=2, cols=1,    shared_xaxes=True,  # 共享x轴（日期），避免重复    vertical_spacing=0.05,  # 子图之间的间距    row_heights=[0.7, 0.3]  # 上子图占70%，下子图占30%)# 3. 上子图：添加K线+均线fig.add_trace(go.Candlestick(    x=df["日期"],    open=df["开盘价"],    high=df["最高价"],    low=df["最低价"],    close=df["收盘价"],    increasing_line_color="#FF6B6B",    increasing_fillcolor="#FF6B6B",    decreasing_line_color="#4ECDC4",    decreasing_fillcolor="#4ECDC4",    line_width=1,    whiskerwidth=0.5,    name="K线"), row=1, col=1)fig.add_trace(go.Scatter(    x=df["日期"],    y=df["MA5"],    mode="lines",    line=dict(color="#F9C74F", width=1.5),    name="MA5（5日均线）"), row=1, col=1)# 4. 下子图：添加成交量（柱状图，涨跌颜色区分）fig.add_trace(go.Bar(    x=df["日期"],    y=df["成交量"],    # 成交量颜色与K线一致：涨红跌绿    marker_color=np.where(df["收盘价"] > df["开盘价"], "#FF6B6B", "#4ECDC4"),    name="成交量"), row=2, col=1)# 5. 布局优化（适配完整行情分析）fig.update_layout(    title=dict(text="K线图+均线+成交量（完整行情版）", font=dict(size=14, weight="bold"), x=0.5),    xaxis=dict(        title="日期",        title_font=dict(size=12),        tickfont=dict(size=10),        tickangle=45,        rangeslider_visible=False    ),    yaxis=dict(        title="股价（元）",        title_font=dict(size=12),        tickfont=dict(size=10),        gridcolor="#EEEEEE"    ),    yaxis2=dict(        title="成交量（手）",        title_font=dict(size=12),        tickfont=dict(size=10),        gridcolor="#EEEEEE"    ),    legend=dict(        font=dict(size=10),        x=0.02,        y=0.98,        xanchor="left",        bgcolor="white",        bordercolor="gray",        borderwidth=1    ),    margin=dict(l=50, r=50, t=50, b=80),    plot_bgcolor="white",    hovermode="x unified")# 6. 显示并保存fig.show()fig.write_html("K线+成交量.html")fig.write_image("K线+成交量.png", scale=3)

关键说明：

✅ 子图布局：用make_subplots创建上下子图，shared_xaxes=True实现x轴共享，避免日期重复，提升可读性；

✅ 成交量颜色：与K线涨跌颜色一致，直观反映“量价配合”情况（上涨放量、下跌缩量等）；

✅ 比例调整：row_heights=[0.7, 0.3] 合理分配上下子图比例，重点突出K线行情，同时清晰展示成交量。

🔧 实战场景4：关键点位标注（策略复盘必备）

策略复盘时，需要在K线图上标注关键点位（如买入点、卖出点、支撑位、压力位），Plotly可通过add_annotation函数实现，自定义标注样式、颜色和文字，清晰呈现策略的交易逻辑和行情关键节点。

import plotly.graph_objects as goimport pandas as pdimport numpy as np# 1. 准备行情数据+关键点位数据date = pd.date_range(start="2024-01-01", periods=60, freq="D")np.random.seed(42)open_price = np.round(np.random.uniform(30, 40, 60), 2)close_price = np.round(open_price + np.random.uniform(-1.5, 1.5, 60), 2)high_price = np.round(np.maximum(open_price, close_price) + np.random.uniform(0.1, 0.8, 60), 2)low_price = np.round(np.minimum(open_price, close_price) - np.random.uniform(0.1, 0.8, 60), 2)df = pd.DataFrame({    "日期": date,    "开盘价": open_price,    "收盘价": close_price,    "最高价": high_price,    "最低价": low_price})# 模拟关键点位（买入点、卖出点、支撑位、压力位）buy_date = df.iloc[15]["日期"]  # 第15个交易日为买入点buy_price = df.iloc[15]["收盘价"]sell_date = df.iloc[45]["日期"]  # 第45个交易日为卖出点sell_price = df.iloc[45]["收盘价"]support_price = 32.5  # 支撑位resistance_price = 38.5  # 压力位# 2. 绘制K线图+关键点位标注fig = go.Figure(data=[go.Candlestick(    x=df["日期"],    open=df["开盘价"],    high=df["最高价"],    low=df["最低价"],    close=df["收盘价"],    increasing_line_color="#FF6B6B",    increasing_fillcolor="#FF6B6B",    decreasing_line_color="#4ECDC4",    decreasing_fillcolor="#4ECDC4",    line_width=1,    whiskerwidth=0.5)])# 3. 添加关键点位标注# 买入点标注（绿色三角形，标注文字）fig.add_annotation(    x=buy_date,    y=buy_price,    text="买入点",    font=dict(size=10, color="white", weight="bold"),    bgcolor="#4ECDC4",  # 标注背景色（绿色）    bordercolor="black",    borderwidth=1,    arrowhead=2,  # 箭头样式    arrowsize=1,    arrowcolor="#4ECDC4",    ax=0,    ay=-30  # 标注位置偏移，避免遮挡K线)# 卖出点标注（红色三角形，标注文字）fig.add_annotation(    x=sell_date,    y=sell_price,    text="卖出点",    font=dict(size=10, color="white", weight="bold"),    bgcolor="#FF6B6B",  # 标注背景色（红色）    bordercolor="black",    borderwidth=1,    arrowhead=2,    arrowsize=1,    arrowcolor="#FF6B6B",    ax=0,    ay=30)# 支撑位标注（水平直线+文字）fig.add_hline(    y=support_price,    line_color="#9C27B0",    line_width=1,    line_dash="dash",    annotation_text="支撑位：32.5元",    annotation_position="right",    annotation_font=dict(size=10, color="#9C27B0"))# 压力位标注（水平直线+文字）fig.add_hline(    y=resistance_price,    line_color="#F9C74F",    line_width=1,    line_dash="dash",    annotation_text="压力位：38.5元",    annotation_position="right",    annotation_font=dict(size=10, color="#F9C74F"))# 4. 布局优化fig.update_layout(    title=dict(text="K线图+关键点位标注（策略复盘版）", font=dict(size=14, weight="bold"), x=0.5),    xaxis=dict(        title="日期",        title_font=dict(size=12),        tickfont=dict(size=10),        tickangle=45,        rangeslider_visible=False    ),    yaxis=dict(        title="股价（元）",        title_font=dict(size=12),        tickfont=dict(size=10),        gridcolor="#EEEEEE"    ),    margin=dict(l=50, r=100, t=50, b=80),  # 右侧留足空间，避免标注被截断    plot_bgcolor="white",    hovermode="x unified")# 5. 显示并保存fig.show()fig.write_html("K线+关键点位标注.html")fig.write_image("K线+关键点位标注.png", scale=3)

核心技巧：

✅ 标注样式：买入/卖出点用带箭头的标注框，支撑/压力位用水平虚线+文字，清晰区分不同类型的关键点位；

✅ 位置偏移：通过ax、ay参数调整标注位置，避免遮挡K线，提升图表可读性；

✅ 颜色统一：标注颜色与图表整体风格一致，贴合量化复盘报告的专业感。

🔄 与mplfinance对比（核心优势，简化操作）

很多人用mplfinance绘制K线图，但操作繁琐、样式单一，对比Plotly，两者核心差异如下，帮你快速选择合适的工具：

# 【mplfinance 绘制K线图（简化版）】import matplotlib.pyplot as pltimport mplfinance as mpfimport pandas as pdimport numpy as np# 配置 matplotlib 中文字体，解决乱码问题plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]plt.rcParams["axes.unicode_minus"] = Falsedate = pd.date_range(start="2024-01-01", periods=60, freq="D")open_price = np.round(np.random.uniform(30, 40, 60), 2)close_price = np.round(open_price + np.random.uniform(-1.5, 1.5, 60), 2)high_price = np.round(np.maximum(open_price, close_price) + np.random.uniform(0.1, 0.8, 60), 2)low_price = np.round(np.minimum(open_price, close_price) - np.random.uniform(0.1, 0.8, 60), 2)df = pd.DataFrame({    "Open": open_price,    "High": high_price,    "Low": low_price,    "Close": close_price}, index=date)# 创建支持中文的自定义样式custom_style = mpf.make_mpf_style(    base_mpf_style="yahoo",    rc={"font.family": "SimHei", "axes.unicode_minus": False})# 绘制K线图（需手动配置样式，叠加指标繁琐）mpf.plot(    df,    type="candle",    style=custom_style,    title="mplfinance K线图",    ylabel="股价（元）",    figratio=(12,6))# 【Plotly 绘制K线图（简化版）】import plotly.graph_objects as gofig = go.Figure(data=[go.Candlestick(    x=df.index,    open=df["Open"],    high=df["High"],    low=df["Low"],    close=df["Close"])])fig.update_layout(title="Plotly K线图", xaxis_title="日期", yaxis_title="股价（元）")fig.show()

核心差异总结：

✅ mplfinance：样式固定，叠加均线、成交量需额外配置，图表静态，无交互式体验，操作繁琐；

✅ Plotly：语法简洁，无需手动配置基础样式，支持交互式操作，可灵活叠加均线、布林带、成交量，标注关键点位，适配量化复盘和报告展示，完全可替代mplfinance。

💡 新手避坑提醒

1.  绘制K线图需使用plotly.graph_objects（go）模块，而非之前的px模块，注意导入方式正确；

2.  行情数据必须包含“开盘价、收盘价、最高价、最低价”四个核心字段，缺失会导致K线无法正常显示；

3.  叠加多个指标（均线、布林带）时，注意添加顺序，避免底层图表被遮挡，同时合理设置颜色和粗细，确保清晰可辨；

4.  时间轴优化时，rangeslider_visible参数可根据需求开启/关闭，避免冗余；标注关键点位时，注意位置偏移，避免遮挡K线。