成交量判断的核心逻辑
成交量代表单位时间内标的物成交的数量，股票以手或股为单位，期货以手或张为单位。判断成交量大小并非看绝对数值高低，而是将当前量能与特定参照系对比。脱离参照系的成交量毫无意义。
一、均量线系统
最基础的参照系是均量线。常用参数为5日、10日、20日均量线。当前成交量高于5日均量线1.5倍以上可视为放量，高于2倍为显著放量。低于5日均量线0.7倍为缩量。
股票软件中，成交量柱体与均量线的关系一目了然。以日均线为例，代码实现简单：
import pandas as pd
def volume_judge(df, short=5, long=20, ratio=1.5):
df['vol_ma5'] = df['volume'].rolling(short).mean()
df['vol_ma20'] = df['volume'].rolling(long).mean()
df['amplify'] = df['volume'] > df['vol_ma5'] * ratio
df['shrink'] = df['volume'] < df['vol_ma5'] * 0.7
return df
期货市场连续交易，夜盘与日盘合并计算。均量线参数可缩短至3日、8日、21日以匹配杠杆特性。
二、换手率维度
绝对成交量受流通盘大小影响。工商银行日成交1亿股与小型股日成交1亿股意义完全不同。换手率=成交量/流通股本，消除股本差异。
股票换手率低于1%为地量，1%-3%为正常，3%-7%为活跃，7%-15%为放量，超过15%为天量。期货没有流通股本概念，采用持仓量变化率替代。持仓量增加且成交量放大，新资金入场；持仓量减少且成交量放大，平仓离场。
三、历史分位数对比
更精细的方法计算当前成交量在过去N根K线中的分位数。取近60根K线，当前成交量排在前10%为放量，后10%为缩量。
def volume_percentile(df, window=60):
df['vol_pct'] = df['volume'].rolling(window).apply(
lambda x: (x[-1] > x).mean()
)
return df
df['vol_pct'] > 0.9 # 放量
df['vol_pct'] < 0.1 # 缩量
四、价格位置与成交量配合
成交量大小判断必须结合价格。
低位放量：股价或期货价格经过长期下跌后，成交量突然放大至均量2倍以上，且价格收阳。资金进场信号。
高位放量：价格经过大幅上涨后，成交量创出天量但价格滞涨或收长上影线。主力出货概率大。
上涨缩量：上升趋势中成交量逐步萎缩，追涨意愿不足，警惕回调。
下跌缩量：下跌过程中成交量持续萎缩，抛压减轻，可能临近底部。
期货市场特别注意：放量突破关键价位（前高、前低、颈线）有效性高，缩量突破多为假突破。
五、量比与异动
量比=当前每分钟成交量/过去5日每分钟平均成交量。量比大于1.5为放量，大于2.5为明显放量，大于5为剧烈放量。量比小于0.5为缩量。
股票开盘前15分钟量比最有效。期货夜盘开盘量比参考价值高。量比突然飙升伴随价格急拉或急跌，往往是主力动作。
六、不同周期共振
日线放量需看周线是否同步。日线缩量但周线放量，中期趋势未改。多周期共振放量，趋势强度大。
股票市场中，底部放量突破年线且周线量能配合，可靠性高。期货市场中，日线放量突破月线压力且持仓量增加，趋势延续概率大。
七、特殊情况处理
涨跌停板成交量失真。股票涨停时成交量极小，不代表缩量，代表买盘无法成交。期货涨跌停板同理。此时应参考封单量。
除权除息日成交量需复权处理。高送转股票除权后成交量突增，需对比复权后数据。
指数成交量与个股不同。上证指数成交量反映整体市场，个股需对比行业指数成交量。
八、量化阈值参考
短线交易：5日均量1.5倍为放量，0.6倍为缩量。
中线交易：20日均量1.3倍为放量，0.7倍为缩量。
长线交易：60日均量1.2倍为放量，0.8倍为缩量。
期货主力合约：持仓量变化超过5%且成交量超过20日均量1.5倍，视为资金异动。
九、常见误区
成交量大小无绝对标准。大盘股日换手0.5%已属活跃，小盘股日换手5%才算启动。
放量不涨必有问题。放量下跌更需警惕。
缩量上涨可延续，缩量下跌可阴跌。
成交量滞后于价格。放量确认需等收盘。
十、实战融合
股票操作：底部放量阳线买入，高位放量阴线卖出。缩量回调至均量线下方企稳加仓。
期货操作：放量突破前高做多，放量跌破前低做空。缩量反弹至压力位试空。持仓量配合验证。
成交量大小判断是概率游戏。结合价格形态、均线系统、MACD等指标，胜率更高。单一成交量信号不可靠。
