ScottPlot中绘制Open Interest图表的正确方法
在金融数据可视化领域,Open Interest(未平仓合约)是一个重要指标,它能反映市场参与者的持仓情况。使用ScottPlot库绘制Open Interest图表时,开发者可能会遇到图表显示为黑白的问题。本文将详细介绍如何正确使用ScottPlot绘制带有颜色的Open Interest图表。
问题现象
当开发者尝试使用ScottPlot绘制Open Interest图表时,可能会遇到以下情况:
- 图表能够正确显示柱状图
- 但所有柱状图都显示为黑白,无法显示预设的颜色
- 图表的基本结构(如坐标轴、标题等)都能正常显示
问题原因
经过分析,这个问题通常是由于没有正确设置柱状图的Size属性导致的。在ScottPlot中,柱状图的宽度是通过Size属性控制的,如果不设置这个属性,柱状图将使用默认值,可能导致显示异常。
解决方案
要解决这个问题,需要在创建每个Bar对象时,正确设置其Size属性。这个属性的值应该大约是相邻两个柱状图之间的距离,以确保柱状图之间有适当的间隔。
以下是修正后的代码示例:
// 准备数据
double[] strikePrices = openInterestData.result.oiDatas.Select(d => (double)d.strike_price).ToArray();
double[] callsOI = openInterestData.result.oiDatas.Select(d => (double)d.calls_oi).ToArray();
double[] putsOI = openInterestData.result.oiDatas.Select(d => (double)d.puts_oi).ToArray();
// 创建图表
ScottPlot.Plot myPlot = new();
List<Bar> bars = new();
for (int i = 0; i < strikePrices.Length; i++)
{
// 添加Call OI柱状图
bars.Add(new Bar
{
Position = strikePrices[i],
Value = callsOI[i],
FillColor = Colors.Red,
Size = 0.4, // 关键设置:定义柱状图宽度
Label = $"Calls OI {callsOI[i]}"
});
// 添加Put OI柱状图
bars.Add(new Bar
{
Position = strikePrices[i] + 0.5,
Value = putsOI[i],
FillColor = Colors.Green,
Size = 0.4, // 关键设置:定义柱状图宽度
Label = $"Puts OI {putsOI[i]}"
});
}
// 添加柱状图到图表
myPlot.Add.Bars(bars.ToArray());
// 设置图表标题和标签
myPlot.Title("Open Interest Visualization");
myPlot.XLabel("Strike Prices");
myPlot.YLabel("Open Interest");
技术要点
-
Size属性的重要性:
Size属性控制柱状图的宽度,合理的设置可以确保图表美观且易于阅读。 -
颜色设置:通过
FillColor属性可以自定义柱状图的颜色,通常Call OI使用红色表示,Put OI使用绿色表示,这是金融图表中的常见惯例。 -
位置偏移:在代码中,Put OI的位置比Call OI向右偏移了0.5个单位,这样可以避免两组柱状图重叠,提高可读性。
-
数据准备:确保输入的strikePrices、callsOI和putsOI数组长度一致,且数据已经过适当的类型转换。
最佳实践建议
-
响应式设计:根据数据点的数量动态调整
Size属性值,数据点越多,Size值应该越小。 -
图例添加:考虑添加图例说明红色和绿色分别代表什么,提高图表的可读性。
-
交互功能:ScottPlot支持交互功能,可以添加工具提示显示具体数值,增强用户体验。
-
性能优化:当数据量很大时,考虑对数据进行采样或聚合,避免图表过于拥挤。
通过以上方法和建议,开发者可以轻松创建出专业、美观的Open Interest可视化图表,有效展示金融市场的持仓情况。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00