在前六篇内容中，我们已经完成了股票数据爬取、自选股管理、实时价格缓存等核心功能，从“能获取数据”逐步升级到“能便捷查看数据”。但对量化交易来说，“看数据”只是基础，“分析数据”才是核心——比如判断一只股票近1周、1个月的涨跌趋势，或是通过一段时间的价格、成交量走势挖掘规律，这些都需要一套完善的统计分析能力支撑。
本文作为Java量化系列的第七篇，将聚焦“股票统计分析系统”的落地实现，核心覆盖两大高频需求：周级别的涨跌统计（快速掌握中短期波动）和折线图数据统计（多维度可视化分析）。我们会结合提供的完整业务代码，从接口设计、逻辑拆解、数据转换、异常处理四个层面，完整还原系统搭建过程，帮你快速掌握股票统计分析的核心技术要点。
一、核心需求与整体设计思路
1.1 统计分析的核心价值
对普通投资者或量化交易者而言，统计分析的核心价值在于“降维复杂数据，提炼关键信息”：
- 周级统计：无需手动对比每日价格，一键获取近1周、2周、3周、1个月的涨跌金额和幅度，快速判断中短期趋势；
- 折线图统计：支持自定义时间范围，生成开盘价、收盘价、成交量等多维度数据，适配ECharts等前端组件实现可视化，直观发现价格波动与成交量的关联规律；
- 灵活适配：支持按需求筛选统计维度（如仅看收盘价和成交量），避免冗余数据，提升分析效率。
1.2 整体技术架构
统计分析系统基于此前搭建的量化基础框架，核心依赖“历史数据服务”（提供股票历史行情数据）和“工具类服务”（处理日期、数值计算），整体架构流程如下：
前端请求（携带股票代码、统计条件）→ 接口参数校验 → 业务层处理（周级计算/折线图数据转换）→ 历史数据服务查询数据 → 数据格式化封装 → 返回标准化结果（适配前端展示）
核心依赖组件：
- 接口层：Spring Boot + Swagger（通过@Operation注解描述接口，方便调试）；
- 业务层：自定义StatBusiness，封装周级统计和折线图统计的核心逻辑；
- 数据层：StockHistoryService，提供历史行情数据的查询能力；
- 工具类：DateUtil（日期处理）、BigDecimalUtil（高精度数值计算）、CollUtil（集合处理）。
二、核心实现（一）：周级涨跌统计功能
周级统计的核心逻辑是：根据传入的股票代码，查询“最近一个交易日”和“近1周/2周/3周/1个月的最后一个交易日”的收盘价，计算两者的涨跌金额和幅度，最终封装成标准化结果返回。
2.1 接口设计与参数校验
首先设计周级统计接口，采用POST请求，接收包含股票代码的请求对象StockStatRo，核心做两层参数校验：股票代码非空校验、股票是否存在校验，避免无效请求。
/**
* 获取股票周级别统计信息
* @param stockStatRo 包含查询条件的请求对象（核心字段：code-股票代码）
* @return 包含股票周级别统计信息的输出结果
*/
@Operation(summary = "股票周级别统计信息")
@PostMapping("/getWeekStat")
public OutputResult<StockWeekStatVo> getWeekStat(@RequestBody StockStatRo stockStatRo) {
// 第一层校验：股票代码不能为空
if (StrUtil.isBlank(stockStatRo.getCode())) {
return OutputResult.buildAlert(ResultCode.STOCK_CODE_IS_EMPTY);
}
// 调用业务层处理，返回结果
return statBusiness.getWeekStat(stockStatRo);
}
2.2 核心业务逻辑实现
业务层statBusiness的getWeekStat方法是核心，完整实现“股票有效性校验→统计时间点计算→历史数据查询→涨跌金额/幅度计算→结果封装”的全流程。
@Override
public OutputResult<StockWeekStatVo> getWeekStat(StockStatRo stockStatRo) {
// 1. 校验股票是否存在（通过股票代码查询基础信息）
StockDto stockDto = stockService.getByCode(stockStatRo.getCode());
if (stockDto == null) {
return OutputResult.buildAlert(ResultCode.STOCK_CODE_NO_EXIST);
}
// 2. 计算统计时间点：最近1个交易日、近1周、2周、3周、1个月的最后一个交易日
int offset = -1; // 偏移量：-1表示“前一天”
// 结束时间：当前日期的前一天（确保是交易日，后续通过dateHelper处理）
DateTime endDate = DateUtil.date().offsetNew(DateField.DAY_OF_YEAR, offset);
List<DateTime> searchDateList = new ArrayList<>();
// 统计时间点：近1周（-7天）、近2周（-14天）、近3周（-21天）、近1个月（-1个月）
searchDateList.add(DateUtil.date().offsetNew(DateField.DAY_OF_YEAR, offset - 7));
searchDateList.add(DateUtil.date().offsetNew(DateField.DAY_OF_YEAR, offset - 14));
searchDateList.add(DateUtil.date().offsetNew(DateField.DAY_OF_YEAR, offset - 21));
searchDateList.add(DateUtil.date().offsetNew(DateField.MONTH, -1));
// 3. 初始化返回结果对象
StockWeekStatVo stockWeekStatVo = new StockWeekStatVo();
List<StockWeekStatInfoVo> weekStatInfoVoList = new ArrayList<>();
// 4. 查询“最近一个交易日”的历史数据（作为基准值）
StockHistoryVo lastVo = stockHistoryService.getLastHistoryVoByCodeAndDate(
stockStatRo.getCode(), dateHelper.getBeforeLastWorking(endDate)
);
// 5. 遍历统计时间点，计算每个时间段的涨跌信息
int weekIndex = 1; // 用于标记统计类型（1-近1周，2-近2周，3-近3周，4-近1个月）
for (DateTime dateTime : searchDateList) {
// 查询当前统计时间点的最后一个交易日的历史数据
StockHistoryVo tempVo = stockHistoryService.getLastHistoryVoByCodeAndDate(
stockStatRo.getCode(), dateHelper.getBeforeLastWorking(dateTime)
);
// 6. 计算涨跌金额和幅度
StockWeekStatInfoVo stockWeekStatInfoVo = new StockWeekStatInfoVo();
stockWeekStatInfoVo.setType(weekIndex);
// 类型名称：通过WeekStatType枚举获取（如1对应“近1周”）
stockWeekStatInfoVo.setTypeName(WeekStatType.getExchangeType(weekIndex).getDesc());
// 涨跌金额 = 最近交易日收盘价 - 统计时间点收盘价（保留4位小数）
BigDecimal rangePrice = BigDecimalUtil.sub4(lastVo.getClosingPrice(), tempVo.getClosingPrice());
stockWeekStatInfoVo.setRangePrice(BigDecimalUtil.toShowString4(rangePrice));
// 涨跌幅度 = 涨跌金额 / 统计时间点收盘价 * 100（转成百分比格式）
String rangeProportion = BigDecimalUtil.div4Mul100(rangePrice, tempVo.getClosingPrice());
stockWeekStatInfoVo.setRangeProportion(rangeProportion);
weekStatInfoVoList.add(stockWeekStatInfoVo);
weekIndex++;
}
// 7. 封装结果并返回
stockWeekStatVo.setWeekStatInfoList(weekStatInfoVoList);
return OutputResult.buildSucc(stockWeekStatVo);
}
2.3 关键设计亮点与注意事项
- 时间处理精准性：通过dateHelper.getBeforeLastWorking()方法获取“指定日期之前的最后一个交易日”，自动过滤周末和节假日，确保统计的是有效交易数据；
- 高精度数值计算：使用BigDecimalUtil工具类的sub4（减法保留4位小数）、div4Mul100（除法后乘100转百分比）方法，避免浮点数精度丢失（股票价格计算核心要求）；
- 枚举类复用：通过WeekStatType枚举统一管理统计类型名称（如“近1周”“近1个月”），避免硬编码，后续修改统计维度时更便捷；
- 异常友好处理：股票代码不存在时，返回明确的错误提示（ResultCode.STOCK_CODE_NO_EXIST），便于前端展示和问题排查。
三、核心实现（二）：折线图数据统计功能
折线图统计的核心需求是“生成适配前端可视化组件的数据格式”，核心逻辑是：根据传入的股票代码、时间范围、统计维度，查询历史数据并转换为“图例+X轴日期+系列数据”的标准化格式，支持前端直接渲染折线图。
3.1 接口设计与参数说明
折线图统计接口同样采用POST请求，接收的StockStatRo对象包含三个核心参数：code（股票代码）、startDate（开始日期）、endDate（结束日期）、charStockTypeList（统计维度列表，可选）。
/**
* 获取股票图形统计信息（适配折线图可视化）
* @param stockStatRo 包含查询条件的请求对象
* 核心字段：code-股票代码、startDate-开始日期、endDate-结束日期、charStockTypeList-统计维度列表
* @return 包含图形统计信息的输出对象
*/
@Operation(summary = "股票图形统计信息")
@PostMapping("/getCharStat")
public OutputResult<LineVo> getCharStat(@RequestBody StockStatRo stockStatRo) {
// 校验股票代码非空
if (!StrUtil.isNotBlank(stockStatRo.getCode())) {
return OutputResult.buildAlert(ResultCode.STOCK_CODE_IS_EMPTY);
}
return statBusiness.getCharStat(stockStatRo);
}
3.2 核心业务逻辑实现
业务层statBusiness的getCharStat方法分为三个核心步骤：确定统计维度（图例）、计算X轴日期列表、查询历史数据并转换为系列数据。
@Override
public OutputResult<LineVo> getCharStat(StockStatRo stockStatRo) {
// 步骤1：确定统计维度（图例列表）
List<String> legendList = new ArrayList<>();
// StockCharMoneyType枚举：定义所有支持的统计维度（开盘价、收盘价、成交量等）
StockCharMoneyType[] allTypes = StockCharMoneyType.values();
// 若未指定统计维度，默认返回所有维度；否则按指定维度筛选
if (CollUtil.isEmpty(stockStatRo.getCharStockTypeList())) {
for (StockCharMoneyType type : allTypes) {
legendList.add(type.getDesc()); // 如“开盘价”“收盘价”
}
} else {
for (String typeStr : stockStatRo.getCharStockTypeList()) {
// 支持传入维度编码（如1对应开盘价）或直接传入维度名称
if (NumberUtil.isInteger(typeStr)) {
StockCharMoneyType type = StockCharMoneyType.getTypeByCode(Integer.parseInt(typeStr));
if (type != null) {
legendList.add(type.getDesc());
}
} else {
legendList.add(typeStr);
}
}
}
// 步骤2：计算X轴日期列表（仅包含交易日）
List<String> xaxisData = new ArrayList<>();
String startDate = stockStatRo.getStartDate();
String endDate = stockStatRo.getEndDate();
// 解析开始日期和结束日期
DateTime start = DateUtil.parse(startDate, Const.SIMPLE_DATE_FORMAT);
DateTime end = DateUtil.parse(endDate, Const.SIMPLE_DATE_FORMAT);
// 获取时间范围内的所有交易日（自动过滤周末、节假日）
List<Date> workDayList = dateHelper.betweenWorkDay(start, end);
// 格式化日期为字符串（如“2025-12-01”），适配前端展示
for (Date date : workDayList) {
xaxisData.add(DateUtil.format(date, Const.SIMPLE_DATE_FORMAT));
}
// 步骤3：初始化折线图结果对象
LineVo lineVo = new LineVo();
lineVo.setLegend(legendList); // 图例
lineVo.setXaxisData(xaxisData); // X轴日期
// 步骤4：查询指定时间范围的股票历史数据
List<StockHistoryVo> historyVoList = stockHistoryService.listStockHistoryVoByCodeAndDateRange(
stockStatRo.getCode(), start, end
);
// 若无历史数据，直接返回空系列数据（避免前端报错）
if (CollUtil.isEmpty(historyVoList)) {
return OutputResult.buildSucc(lineVo);
}
// 步骤5：将历史数据转换为折线图系列数据（适配前端格式）
List<LineSeriesVo> seriesList = historyConvertLine(historyVoList, xaxisData.size());
// 按统计维度筛选系列数据（只保留用户指定的维度）
seriesList = seriesList.stream()
.filter(series -> legendList.contains(series.getName()))
.collect(Collectors.toList());
// 步骤6：封装系列数据并返回
lineVo.setSeries(seriesList);
return OutputResult.buildSucc(lineVo);
}
3.3 核心工具方法：历史数据转折线图数据
historyConvertLine方法是折线图数据转换的核心，负责将StockHistoryVo列表（历史行情数据）转换为LineSeriesVo列表（前端可视化需要的系列数据），同时处理“数据长度不足时补0”的问题，确保X轴日期与系列数据一一对应。
/**
* 将历史数据转换成折线图所需的系列数据
* @param stockHistoryVoList 股票历史行情数据列表
* @param size X轴日期的长度（确保系列数据长度与之匹配）
* @return 折线图系列数据列表
*/
private List<LineSeriesVo> historyConvertLine(List<StockHistoryVo> stockHistoryVoList, int size) {
List<LineSeriesVo> result = new ArrayList<>();
// 1. 初始化各维度的系列数据对象（对应开盘价、收盘价等）
LineSeriesVo openingPrice = new LineSeriesVo();
openingPrice.setName(StockCharMoneyType.OPENING_PRICE.getDesc());
LineSeriesVo closingPrice = new LineSeriesVo();
closingPrice.setName(StockCharMoneyType.CLOSING_PRICE.getDesc());
LineSeriesVo highestPrice = new LineSeriesVo();
highestPrice.setName(StockCharMoneyType.HIGHEST_PRICE.getDesc());
LineSeriesVo lowestPrice = new LineSeriesVo();
lowestPrice.setName(StockCharMoneyType.LOWEST_PRICE.getDesc());
LineSeriesVo amplitudeProportion = new LineSeriesVo();
amplitudeProportion.setName(StockCharMoneyType.AMPLITUDE_PROPORTION.getDesc());
LineSeriesVo tradingVolume = new LineSeriesVo();
tradingVolume.setName(StockCharMoneyType.TRADING_VOLUME.getDesc());
LineSeriesVo changingProportion = new LineSeriesVo();
changingProportion.setName(StockCharMoneyType.CHANGING_PROPORTION.getDesc());
LineSeriesVo than = new LineSeriesVo();
than.setName(StockCharMoneyType.THAN.getDesc());
LineSeriesVo avgPrice = new LineSeriesVo();
avgPrice.setName(StockCharMoneyType.AVG_PRICE.getDesc());
// 2. 遍历历史数据，填充各维度的数值
for (StockHistoryVo historyVo : stockHistoryVoList) {
openingPrice.getData().add(BigDecimalUtil.toDouble(historyVo.getOpeningPrice()));
closingPrice.getData().add(BigDecimalUtil.toDouble(historyVo.getClosingPrice()));
highestPrice.getData().add(BigDecimalUtil.toDouble(historyVo.getHighestPrice()));
lowestPrice.getData().add(BigDecimalUtil.toDouble(historyVo.getLowestPrice()));
amplitudeProportion.getData().add(BigDecimalUtil.toDouble(historyVo.getAmplitudeProportion()));
tradingVolume.getData().add(BigDecimalUtil.toDouble(historyVo.getTradingVolume()));
changingProportion.getData().add(BigDecimalUtil.toDouble(historyVo.getChangingProportion()));
than.getData().add(BigDecimalUtil.toDouble(historyVo.getThan()));
avgPrice.getData().add(BigDecimalUtil.toDouble(historyVo.getAvgPrice()));
}
// 3. 数据长度补0：若历史数据长度小于X轴日期长度，前面补0（确保一一对应，前端渲染不错位）
if (openingPrice.getData().size() < size) {
int lackSize = size - openingPrice.getData().size();
List<Double> zeroList = new ArrayList<>(lackSize);
for (int i = 0; i < lackSize; i++) {
zeroList.add(BigDecimal.ZERO.doubleValue());
}
// 为所有维度的系列数据补0
openingPrice.getData().addAll(0, zeroList);
closingPrice.getData().addAll(0, zeroList);
highestPrice.getData().addAll(0, zeroList);
lowestPrice.getData().addAll(0, zeroList);
amplitudeProportion.getData().addAll(0, zeroList);
tradingVolume.getData().addAll(0, zeroList);
changingProportion.getData().addAll(0, zeroList);
than.getData().addAll(0, zeroList);
avgPrice.getData().addAll(0, zeroList);
}
// 4. 将所有维度的系列数据添加到结果列表
result.add(openingPrice);
result.add(closingPrice);
result.add(highestPrice);
result.add(lowestPrice);
result.add(amplitudeProportion);
result.add(tradingVolume);
result.add(changingProportion);
result.add(than);
result.add(avgPrice);
return result;
}
3.4 关键设计亮点与注意事项
- 维度灵活筛选：支持用户指定统计维度（如仅看收盘价和成交量），通过stream过滤实现按需返回，减少数据传输量；
- 数据对齐处理：历史数据长度不足时（如时间范围内包含非交易日），自动在前面补0，确保X轴日期与系列数据一一对应，避免前端折线图渲染错位；
- 标准化输出格式：返回的LineVo对象包含“图例、X轴日期、系列数据”，完全适配ECharts等前端可视化组件的要求，前端可直接使用，无需额外处理；
- 兼容多种传入格式：统计维度支持传入编码（如1）或名称（如“开盘价”），提升接口的易用性。
四、核心优化点与生产环境适配
上述实现已满足基础的统计分析需求，若要在生产环境使用，需补充以下优化点：
- 缓存优化：对周级统计结果和折线图数据添加Redis缓存（缓存key包含股票代码、时间范围、统计维度），缓存有效期设为1小时（行情数据短期变化不大），减少数据库查询压力；
- 限流保护：通过Spring Cloud Gateway或自定义拦截器，对统计接口进行限流（如单IP每分钟最多10次请求），避免恶意请求导致系统过载；
- 数据权限控制：若支持多用户使用，需在接口中添加用户ID参数，仅允许用户查询自己关注的自选股统计数据，确保数据隔离；
- 日志增强：在关键节点（如数据查询失败、维度转换异常）添加详细日志，记录股票代码、时间范围等信息，便于问题排查；
- 前端适配示例：提供简单的ECharts渲染示例，帮助前端快速对接接口（如折线图渲染收盘价和成交量的双Y轴图表）。
五、系列文章预告
本文完成了量化系统的“统计分析层”搭建，实现了周级涨跌统计和折线图数据统计两大核心功能，从此我们不仅能获取股票数据，还能通过统计分析挖掘数据规律。下一篇文章将聚焦“ 推送每日自选股票数据到个人邮箱“
最后，留一个思考问题：在处理大量股票的统计请求时，如何通过异步处理或批量处理提升系统的并发能力？欢迎在评论区交流你的想法～
