心理线指标PSY

skypiea

一、什么是心理线（PSY）指标
PSY指标的核心思想根植于群体心理学。它假设当市场上绝大多数投资者都对后市看涨时，市场可能接近顶部（超买）；反之，当绝大多数投资者都看跌时，市场可能接近底部（超卖）。该指标将这种市场情绪量化，其数值反映了在过去一个特定周期内，多方力量（即股价上涨）的强度 。
PSY指标的数值范围在0到100之间 。通常认为，当PSY值高于75时，市场可能进入超买区域，表示近期上涨天数过多，投资者情绪高涨，后续可能出现回调。当PSY值低于25时，市场可能进入超卖区域，表示近期下跌天数过多，投资者情绪悲观，后续可能出现反弹。

二、PSY标准计算公式
心理线指标的计算方法特别直观：
1.设定一个周期 N（常见取值是 12 或 20）。
2.统计这段时间内 上涨天数。
3.用上涨天数除以周期天数，乘以 100，就是 PSY。
公式如下：PSY(N)=N日内上涨天数*100/N
比如：
如果 12 天里有 9 天是上涨的，那么 PSY = 9/12 × 100 = 75。
如果只有 3 天上涨，那 PSY = 25。

周期 N 的选择
参数 N 的设定，直接决定了 PSY 指标的灵敏度与稳定性。关于 N 的取值，其实并没有一个放之四海而皆准的“标准答案”。
1.常见取值： 12 日是最常见的默认周期；此外，13 日、24 日、26 日等也经常被使用。
2.参数的可变性： N 的大小可以根据不同的股票特性、市场环境以及交易策略（短线、中线或长线）灵活调整：
较小的 N（如 5 或 7）：对近期价格波动更敏感，能产生更多的交易信号，但也更容易受到噪音干扰。
较大的 N（如 24 或 30）：曲线更平滑，能更好地反映长期市场情绪，信号更稳定，但可能存在一定滞后。

三、用Python实现PSY 指标计算
使用xtquant获取特定股票（例如，贵州茅台）在一段时期内的历史前复权行情数据。返回值为一个pandas DataFrame对象。
from xtquant import xtdata
import pandas as pd

def get_hq(code,start_time,end_time):
    '''
    基于xtquant下载股票的历史行情
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data2(stock_list=[code],
                                  period='1d',
                                  start_time=start_time,
                                  end_time=end_time)
    history_data =xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'],
                                            stock_list= [code],
                                             period='1d',
                                             start_time= start_time,
                                             end_time=end_time,
                                             dividend_type='front_ratio',
                                             fill_data=False)
    df = history_data[code]
    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    return df

df = get_hq('600519.SH','20250101','20250923')
print(df)

计算PSY
我们直接用 pandas 来实现，传入Dataframe格式数据，返回值增加PSY列，逻辑非常简洁：
def calculate_psy(data, N=12):
    """
    计算心理线（PSY）指标。
   
    参数:
    data (pandas.DataFrame): 必须包含 'close' 列的DataFrame
    N (int): 计算PSY的周期N，默认为12
   
    返回:
    Dataframe格式，在原有数据增加SPY列
    """
    data = data.copy()
    # 计算每天涨跌情况（上涨记为1，否则0）
    data['up'] = (data['close'] > data['close'].shift(1)).astype(int)
    # 计算PSY指标
    data['PSY'] = data['up'].rolling(N).sum() / N * 100
    return data

# 调用示例代码
df = get_hq('600519.SH','20250101','20250923')
calculate_psy(df,12)

代码解释：
up 列：判断今天是否上涨。
rolling(N).sum()：统计过去 N 天的上涨天数。
除以 N 再乘以 100，就是心理线指标。

可视化看看效果
我们画个图直观感受一下：
def draw_PSY(df):
    import matplotlib.pyplot as plt
    import mplfinance as mpf
    # 这里定义PSY指标作为附图
    apds = [
        mpf.make_addplot(df['PSY'], panel=1, color='orange', ylabel='PSY'),
        mpf.make_addplot([75]*len(df), panel=1, color='red', linestyle='--'),   # 上限线
        mpf.make_addplot([25]*len(df), panel=1, color='green', linestyle='--')  # 下限线
    ]
    # ====== 主图：蜡烛+均线 ======
    plt.rcParams['font.sans-serif'] = ['SimHei']   # 黑体，支持中文
    plt.rcParams['axes.unicode_minus'] = False     # 解决负号显示问题
    mc = mpf.make_marketcolors(
        up='red',       # 上涨 K线红色
        down='green',   # 下跌 K线绿色
        edge='inherit',
        wick='inherit',
        volume='inherit',
    )
    s = mpf.make_mpf_style(
        base_mpf_style='yahoo',
        marketcolors=mc,
        rc={'font.family': 'SimHei'}  # 确保 mplfinance 内部也能用中文
    )
    mpf.plot(df,
            type='candle',
            mav=(5, 10, 20),
            volume=False,
            addplot=apds,
            style=s,
            title="股票心理线",
            figsize=(12, 8),
            panel_ratios=(3,1))  # 主图与子图比例

df = get_hq('600519.SH','20250101','20250923')
df = calculate_psy(df,12)
draw_PSY(df)

四、实战应用
1.不要把 PSY 单独当作入场唯一条件：推荐把 PSY 当作 “市场情绪过滤器” —— 例如当 PSY 很高（>65）时优先考虑顺势、当很低（<35）时谨慎或偏向做空/择机接盘。
2.结合价量结构：在 PSY 给出买入倾向时，同时检查：突破前高、成交量放大（用量价背离过滤虚假信号）。
3.多周期确认：短期 PSY 给信号时，看中期（例如 24、48）PSY 是否支持，降低噪声。