# 12.2 日內交易 · 大盤日內走勢 (for 擇時) > 來源：https://uqer.io/community/share/5649b64af9f06c4446b48202 上周統計過周一到周五的漲跌分布，后來又統計了一下股指交割周的周四，竟然只有33.33%上漲 。也是醉了。 統計完日間，再來看下日內，那么大盤日內走勢是怎樣呢？ 對日內操作有指導嗎？ 時間緊急，話不多說，上分析過程。 ```py # 獲取09年以來的上證交易日 import datetime import seaborn import pandas as pd df = DataAPI.TradeCalGet(exchangeCD=u"XSHG",beginDate=u"20090101",endDate=datetime.datetime.now().strftime('%Y%m%d'),field=u"calendarDate,isOpen",pandas="1") trading_days = df[df.isOpen==1].calendarDate.apply(lambda x:x.replace('-','')).values trading_days array(['20090105', '20090106', '20090107', ..., '20151112', '20151113', '20151116'], dtype=object) ``` ```py # 獲取09年以來的上證指數的分鐘線 df = None for date in trading_days: try: temp_df = DataAPI.MktBarHistOneDayGet(securityID='000001.XSHG',date=date, field='barTime,closePrice')[1:] except: print 'get data error at %s.' %date continue # 日內打分，1表示最高 temp_df['rank'] = temp_df.closePrice.rank(ascending=False) temp_df['index'] = range(len(temp_df)) if df is None: df = temp_df else: df = df.append(temp_df) ``` 首先看一下30mins線，日內高點和低點的分布圖。 ```py bar_length = 30 #30mins bar def plot(bar_length): df['bar time'] = df['index'].apply(lambda x:x/bar_length) highest_count = df[df['rank'] == min(df['rank'])].groupby('bar time')['rank'].count() lowest_count = df[df['rank'] == max(df['rank'])].groupby('bar time')['rank'].count() pd.DataFrame({'highest point':highest_count,'lowest point': lowest_count}).plot(figsize=(14,8),kind='bar', title='%s mins bar' %bar_length) plot(bar_length) ```  可以看到，日內的最高點和最低點在早盤和尾盤出現頻率最高。實際上，確實很多人都會選擇在早盤或者尾盤操作。 那15mins和5mins的情況呢？ ```py plot(bar_length=15) plot(bar_length=5) ```   5mins比15mins圖更清晰。 越靠近開盤，出現日內低點概率越高；而越臨近收盤，沖高概率也越高。極點微笑。 今天（20151116）的走勢，正巧是低開高收。 對于日內需要調倉，或者做T，可以關注一下該現象。不做任何買賣建議哦。 完。