如何用 Python 计算 WVAD 威廉变异离散量指标？（量价结合看资金进出）

Q: WVAD 和 OBV、EMV 有什么区别？

OBV 按涨跌把整日成交量加减；EMV 看「单位量能推动的价格移动」；WVAD 用「收盘在当日振幅中的相对位置」给成交量定向。三者都是量价指标，角度不同、可互补。

Q: WVAD 为什么会很大很大？

因为它乘了成交量（以手计），绝对值天然大。看方向与穿越即可，别纠结数值大小，也可做标准化。

Q: 默认周期用多少？

常用 N=24、信号线 6。周期越短越灵敏。先用默认值。

Q: 需要付费吗？

单只历史日线有免费额度；全市场批量算 WVAD（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

分析与指标 · 代码验证于 2026-10-01

如何用 Python 计算 WVAD 威廉变异离散量指标？

一句话回答： WVAD（Williams Variable Accumulation Distribution，威廉变异离散量）用「(收盘−开盘) ÷ (最高−最低) × 成交量」衡量当日资金是在吸筹还是派发，再对 N 日求和。收盘靠近当日最高且放量 → 资金流入（WVAD 为正），反之为流出。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 WVAD，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

只看成交量不知道量是「买出来的」还是「卖出来的」。WVAD 用收盘在当日振幅中的相对位置给成交量「定向」：收在高位放量算流入、收在低位放量算流出，再累加成资金进出的净效果，特别适合看量价背离（价涨但 WVAD 走弱=上涨乏力）。坑在于：一是要用前复权价；二是 high==low（一字板）会除零，要处理。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

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)

WVAD 依赖开高低收与成交量，务必用 adjust="forward"（前复权），避免除权跳空。

第 2 步：计算 WVAD 与信号均线

def wvad(df: pd.DataFrame, n: int = 24, m: int = 6):
    rng = (df["high"] - df["low"]).replace(0, pd.NA)       # 防除零(一字板)
    unit = (df["close"] - df["open"]) / rng * df["volume"] # 单日带方向的量
    wv = unit.rolling(n).sum()                             # N 日累加
    signal = wv.rolling(m).mean()                          # 信号线
    return wv, signal

df["WVAD"], df["WVAD_ma"] = wvad(df, n=24, m=6)
print(df[["trade_date", "close", "WVAD", "WVAD_ma"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值/解读
`n`	累加周期	24
`m`	信号线均线周期	6
`WVAD > 0`	区间内资金净流入	偏多
`WVAD < 0`	区间内资金净流出	偏空
零轴/信号线穿越	资金方向转变	金叉/死叉参考

第 3 步：零轴与金叉信号

prev_w, prev_s = df["WVAD"].iloc[-2], df["WVAD_ma"].iloc[-2]
cur_w, cur_s = df["WVAD"].iloc[-1], df["WVAD_ma"].iloc[-1]
if prev_w <= prev_s and cur_w > cur_s:
    print("WVAD 上穿信号线：资金转流入（偏多）")
elif prev_w >= prev_s and cur_w < cur_s:
    print("WVAD 下穿信号线：资金转流出（偏空）")
print("资金方向:", "净流入" if cur_w > 0 else "净流出")

第 4 步：识别量价背离

window = 20
price_high = df["close"].iloc[-1] >= df["close"].tail(window).max()
wvad_high = df["WVAD"].iloc[-1] >= df["WVAD"].tail(window).max()
if price_high and not wvad_high:
    print("顶背离：价格新高但 WVAD 未同步 → 上涨资金不足，警惕")

关键坑与注意事项

必须用前复权价：除权跳空会让 (收−开)/(高−低) 结构失真。
处理 high==low 除零：一字板/停牌当日振幅为 0，分母要置 NaN 或跳过。
WVAD 数值量级大：含成交量，绝对值无统一标准，关注正负、零轴与信号线穿越、趋势与背离。
背离仅供参考：量价背离是预警不是精确拐点，需结合趋势与其它指标。
成交量单位是「手」：本 SDK volume 以手计，不影响方向判断（只影响绝对量级）。
样本足够：n=24 + 信号线需预热，count 建议 ≥ 40，忽略头部 NaN。

常见问题（FAQ）

Q：WVAD 和 OBV、EMV 有什么区别？ A：OBV 按涨跌把整日成交量加减；EMV 看「单位量能推动的价格移动」；WVAD 用「收盘在当日振幅中的相对位置」给成交量定向。三者都是量价指标，角度不同、可互补。

Q：WVAD 为什么会很大很大？ A：因为它乘了成交量（以手计），绝对值天然大。看方向与穿越即可，别纠结数值大小，也可做标准化。

Q：默认周期用多少？ A：常用 N=24、信号线 6。周期越短越灵敏。先用默认值。

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

小结

WVAD 威廉变异离散量的本质是「用收盘在当日振幅中的相对位置给成交量定向，再累加」，衡量资金净流入还是流出。实现只需 pandas，不依赖 TA-Lib。关键是用前复权价、处理一字板除零、关注方向与量价背离。用 AlphaFeed 取回前复权日线，几行就能算出 WVAD。