嘿，这个需求在量化分析或者价格趋势追踪里太常见了！我来一步步带你实现，还会用微软（MSFT）的收盘价做实操演示，跟着代码走就行～

第一步：获取股票收盘价数据 #

首先咱们用你提到的yahooquery工具拉取MSFT的历史数据，不过要注意返回的是多层索引，得先整理一下：

from yahooquery import Ticker
import pandas as pd

# 初始化Ticker并获取历史数据
ticker = Ticker('MSFT', asynchronous=True)
df = ticker.history()

# 重置多层索引，方便后续处理
df = df.reset_index()
# 确保日期列是datetime格式
df['date'] = pd.to_datetime(df['date'])
# 只保留需要的日期和收盘价列（可选）
df = df[['date', 'close']].sort_values('date').reset_index(drop=True)

第二步：追踪连续上涨的高点区间 #

这里分两种常见场景，你可以根据自己的需求选：

场景1：识别连续N天上涨的区间（每日收盘价高于前一天） #

这种是追踪“连续走高”的趋势，我们可以标记每日是否上涨，再把连续上涨的时段分组统计：

# 1. 标记当日收盘价是否高于前一日
df['is_higher'] = df['close'] > df['close'].shift(1)

# 2. 给连续上涨的时段分配唯一分组ID
# 当is_higher的值发生变化时，分组ID+1
df['rally_group'] = (df['is_higher'] != df['is_higher'].shift(1)).cumsum()

# 3. 统计每个连续上涨区间的关键信息
rally_summary = df[df['is_higher']].groupby('rally_group').agg(
    起始日期=('date', 'first'),
    结束日期=('date', 'last'),
    连续上涨天数=('date', 'count'),
    区间最高收盘价=('close', 'max')
).reset_index(drop=True)

print(rally_summary.head())

这段代码会输出所有连续上涨的时段，比如哪几天连续涨了、涨了几天、区间内的最高点是多少，非常直观。

场景2：追踪历史新高点（收盘价高于之前所有交易日） #

如果你的需求是找“创历史新高”的点，那逻辑更简单，用滚动最大值就能实现：

# 计算从上市以来到当日的收盘价最大值
df['rolling_max'] = df['close'].cummax()

# 标记当日是否创历史新高
df['is_all_time_high'] = df['close'] == df['rolling_max']

# 筛选出所有历史新高点
all_time_highs = df[df['is_all_time_high']][['date', 'close']]

print(all_time_highs.tail())

这样你就能得到所有MSFT收盘价创历史新高的日期和价格啦。

小提示 #

• 如果你的时间序列有缺失值，记得先用df.dropna()或者df.fillna()处理，避免比较时出错；
• 可以把这些逻辑封装成函数，方便复用在其他股票或者时间序列数据上。

内容的提问来源于stack exchange，提问作者user8270077