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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00