价格成交量排序指标（Price Volume Rank）：发现潜在强势股的隐藏信号

在海量股票中寻找具备上涨潜力的标的，是每一位交易者的核心目标。Price Volume Rank（简称 PVR）作为一个简洁而实用的指标，结合价格与成交量进行排序评分，从而帮助投资者快速识别潜在的“资金关注标的”。本文将全面解读该指标的原理、使用方法与在 pandas_ta 中的实现方式，并通过实战示例说明如何在策略中应用。

一、什么是Price Volume Rank（价格成交量排序）？

价格成交量排序指标（Price Volume Rank） 是由 Anthony J. Macek 于 1994 年首次提出的一个技术分析工具，发表于《技术股票与商品分析》（TASC）杂志。它通过对 价格变动（收盘价） 和 成交量变动 的变化幅度进行排序打分，来衡量一只股票当前在市场中的相对强弱地位。

指标核心逻辑：

• 计算当前时点价格与前一时点价格的变化幅度；
• 计算当前时点成交量与前一时点成交量的变化幅度；
• 将这两个变动值进行排序，并得出一个总评分值。

该指标本质上是一个结合了价格动量和成交量动能的相对排名因子，其数值越高，表示该资产在市场中的价格变动幅度和成交量变化幅度排名靠前。

二、pandas_ta 中的实现方法与参数说明

在 pandas_ta 中，该指标可以通过 pandas_ta.pvr() 函数实现，使用非常便捷。

函数定义：

pandas_ta.pvr(close, volume, drift=1)

返回值：

• 返回一个 Series，命名类似于：PVR_1，表示基于1个单位的差值进行计算。

三、交易信号解读：如何使用Price Volume Rank？

作者在最初文献中给出了明确的信号阈值建议：

这个逻辑的背后假设是：当价格和成交量都处于低变动水平时，可能意味着价格处于底部盘整区，有资金悄然介入；而当价格和成交量排名都过高时，可能代表短期过热，存在回调风险。

四、实战案例：A股主板个股筛选应用

假设我们以某支A股股票历史数据为例，查看其价格成交量排序指标的变动与买卖信号。

示例代码：

import pandas as pd
import pandas_ta as ta
import matplotlib.pyplot as plt

# 加载K线数据（需包含Close和Volume列）
df = pd.read_csv("your_stock_data.csv", parse_dates=True, index_col="Date")

# 计算PVR指标
df["PVR"] = ta.pvr(close=df["Close"], volume=df["Volume"], drift=1)

# 生成交易信号
df["Buy_Signal"] = df["PVR"] < 2.5
df["Sell_Signal"] = df["PVR"] > 2.5

# 可视化
plt.figure(figsize=(14, 6))
plt.plot(df["Close"], label="收盘价", color="black")
plt.scatter(df[df["Buy_Signal"]].index, df[df["Buy_Signal"]]["Close"], marker="^", color="green", label="买入信号")
plt.scatter(df[df["Sell_Signal"]].index, df[df["Sell_Signal"]]["Close"], marker="v", color="red", label="卖出信号")
plt.title("价格成交量排序指标（PVR）信号图")
plt.legend()
plt.grid(True)
plt.show()

五、结合策略使用的建议

价格成交量排序指标虽简单，却非常适合纳入选股策略或趋势交易策略中使用：

✅ 推荐搭配使用：

• 与趋势类指标结合（如EMA、MACD）：过滤逆势信号；
• 与成交量指标结合（如OBV、CMF）：验证资金流入方向；
• 用于初步选股打分模型：快速剔除波动性低或成交量极低的标的。

六、结语：量价排序，是简单更是力量

在智能选股、量化因子建模或多因子策略中，Price Volume Rank 的地位不可忽视。它不仅仅提供了一个直观的量价变动评分，更是作为基础因子帮助我们识别主力资金介入的“影子”。

无论你是构建交易系统的新手，还是优化信号质量的老手，都值得尝试将此指标纳入分析工具箱中，挖掘隐藏的强势股，捕捉有潜力的启动点。