为什么要把股票聚成堆
股票市场里几千只股票，每只都看一遍不现实。聚类分析就是让电脑自动把走势相似的股票归到一组，组内股票涨跌节奏接近，组间差异明显。这样你能快速看清哪些股票是“一伙的”，避免重复押注同一个风格，也能在板块轮动时提前发现异动。
第一步 拿到干净的行情数据
用Python做聚类，数据是地基。推荐用baostock或akshare获取A股历史日线，字段至少包含日期、开盘、最高、最低、收盘、成交量。数据要处理两件事：停牌缺失值用前向填充，上市不足60个交易日的次新股直接剔除，否则会干扰聚类结果。
数据区间建议取最近一年，太长会包含过时风格，太短噪声大。把每只股票的收盘价序列对齐到相同交易日，形成矩阵：行是日期，列是股票代码。
第二步 构造有意义的特征
直接拿价格做聚类是错的，因为价格水平受股本和上市时间影响。必须转成收益率和风险指标。常用特征组合：
日收益率均值（反映收益倾向）
日收益率标准差（波动率）
换手率均值（流动性）
与沪深300的beta（市场敏感度）
最大回撤（极端风险）
每个特征都是一个维度，股票数量是样本数。计算时用对数收益率更稳定。特征算完后一定要做标准化，否则波动率数值小、换手率数值大，距离计算会被大数值主导。用sklearn.preprocessing.StandardScaler做z-score标准化。
第三步 选聚类方法和确定组数
K-Means最常用，速度快、解释性强。但它假设簇是球形且大小相近，股票数据常有长尾，可以先用层次聚类看树状图辅助判断。
确定组数K不能拍脑袋。用肘部法则：对K从2到10循环，计算簇内平方和，画图找拐点。同时用轮廓系数评估，系数越高说明簇内越紧、簇间越远。两个指标结合，通常A股全市场聚类K取8到15比较合理。
代码核心片段：
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
scaler = StandardScaler()
X_scaled = scaler.fit_transform(features)
inertia = []
silhouette = []
for k in range(2, 16):
kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
labels = kmeans.fit_predict(X_scaled)
inertia.append(kmeans.inertia_)
silhouette.append(silhouette_score(X_scaled, labels))
画图观察肘部和轮廓系数峰值，选综合最优的K。
第四步 解读聚类结果
聚类跑完后，每个簇的质心就是该组股票的平均特征。把质心还原到原始尺度，看哪个特征突出。比如某簇波动率特别高、beta大于1.2，那就是高弹性组；某簇换手率低、波动小，就是防御组。
给每个簇打上标签：高波动成长、低估值蓝筹、小盘题材、高股息稳定等。然后检查每只股票属于哪个簇，如果一只股票频繁在不同簇之间跳变，说明它风格不稳定，做组合时要谨慎。
还可以把聚类结果和行业分类交叉验证。如果某个簇里全是银行股，说明聚类抓住了行业共性；如果簇里混着不同行业但走势相似，那可能是市场风格因子在起作用。
实际应用中的三个坑
第一个坑是数据频率。用日线聚类捕捉的是短期波动模式，用周线或月线会得到更偏基本面的分组。做短线交易用日线，做资产配置用周线以上。
第二个坑是过拟合。聚类没有绝对正确的答案，换一个时间窗口结果就变了。建议用滚动窗口：每季度重新聚类，观察股票簇归属的稳定性，只关注连续两个季度在同一簇的股票。
第三个坑是距离度量。欧氏距离对量纲敏感，已经标准化就没问题。如果想突出走势形状相似而非数值接近，可以改用动态时间规整或皮尔逊相关系数距离，但计算量会大很多。
聚类结果怎么用
最直接的用法是构建风格分散的组合。从每个簇里选一只代表性股票，保证组合覆盖不同波动和行业特征，避免全仓押在同一个风格上。
第二个用法是监控簇内背离。当某只股票突然脱离它所在簇的走势，可能是有个股新闻或资金异动，值得进一步排查。
第三个用法是轮动信号。统计每个簇过去20日的平均收益，如果某个簇持续跑赢且成交量放大，说明资金在往这个风格集中，可以顺着方向做战术配置。
聚类不是预测工具，它只告诉你“谁和谁像”。真正的交易决策还要结合估值、业绩和资金面。把聚类当成缩小研究范围的筛子，而不是买卖按钮，才能发挥它的价值。
