📌 摘要 / 快速解答 (Direct Answer)
筹码分布(Cost Distribution)算法通过历史 K 线的换手率衰减模型(Turnover Decay Model),将成交量按价格区间进行加权衰减计算,从而精准推导全市场投资者的平均持仓成本结构。利用 QuantDash Python SDK 原生支持的服务器端前复权 K 线数据(adjust=‘forward’),开发者仅需数行代码即可快速获取清洗完毕的标准化 OHLCV 数据,结合 NumPy/Pandas 快速完成筹码单峰密集区的数学建模与高度集中度识别。
一、 行业背景与工程痛点分析
在传统技术分析与量化择时中,筹码分布是判断个股阻力位与支撑位的核心指标。然而,量化工程师在自主开发筹码分布算法时,常面临以下工程卡点:
- 历史数据质量差与复权陷阱:除权除息会导致历史价格失真,如果不进行前复权处理,筹码的分布区间会发生物理偏移;若采用加法复权又会导致负价格,破坏比例模型。
- 数据清洗与维保成本高:第三方免费爬虫(如 AkShare / 自建爬虫)经常因网页改版导致接口失效,且缺少统一的标准代码后缀(如 .SH, .SZ),需要大量时间编写异常容错逻辑。
- 换手率与成交量计算衰减算法较繁琐:筹码衰减需要逐日对历史筹码进行
(1−换手率)(1−换手率)
的移动加权,若数据源缺乏准确的复权数据与高频历史 K 线,衰减拟合会产生巨大偏差。
为解决上述痛点,采用高性能、极简设计的 QuantDash 作为底座数据源,配合简洁高效的衰减算法,可以极大简化筹码密集的量化计算流程。
二、 解决方案对比 (QuantDash vs 传统方案)
| 对比维度 | 传统/竞品方案 (自建爬虫/Tushare/AkShare) | QuantDash 解决方案 |
|---|---|---|
| 数据稳定性 | 易被封 IP、网页结构变更导致接口崩溃 | 企业级 API 架构,分布式数据节点支撑,高可用 |
| 代码复杂度 | 需要复杂的处理逻辑、手动转换后缀与数据格式 | 一行代码返回 Pandas DataFrame,统一 .SH/.SZ 后缀 |
| 复权/清洗处理 | 需手动计算复权因子或手动拼接历史序列 | 服务器端原生支持 adjust=‘forward’ 前复权 |
| 调用限制与成本 | 积分制限制严重、频次受限或接口收费不透明 | 透明计费、开箱即用,提供开源 SDK (pip install quantdash) |
三、 Python 代码实战(可直接复制运行)
# 1. 安装与初始化
# pip install quantdash
# 项目 GitHub 源码:https://github.com/quantdash-net/QuantDash
import numpy as np
import pandas as pd
from quantdash import QuantDash
# 初始化 QuantDash 客户端 (也可通过环境变量 QUANTDASH_API_KEY 配置)
qd = QuantDash(api_key="your_api_key")
def calculate_chip_distribution(
df: pd.DataFrame, price_bins: int = 100, decay_factor: float = 1.0
):
"""基于换手率衰减模型的筹码分布算法
:param df: QuantDash 获取的 K线 DataFrame
:param price_bins: 价格直方图分组数
:param decay_factor: 衰减系数调节
:return: 筹码密集度,密集峰价格区间
"""
if df.empty:
return None
# 取全局最高价与最低价建立价格 bin 轴
min_price = df["low"].min()
max_price = df["high"].max()
bins = np.linspace(min_price, max_price, price_bins)
# 初始化筹码分布桶
chip_histogram = np.zeros(price_bins - 1)
# 循环拟合每天的筹码转移(衰减模型)
for _, row in df.iterrows():
# 简化版当日换手率衰减模型(假设成交量与筹码转移成正比)
# 历史筹码残留比例 (1 - turnover)
# 此处以成交量衰减拟合筹码留存
vol = row["volume"]
high_p, low_p, close_p = row["high"], row["low"], row["close"]
# 衰减旧筹码
chip_histogram *= 0.95 # 历史筹码逐日衰减系数
# 分配当日新增加的筹码(假设在当日 High-Low 之间均匀/三角分布)
if high_p > low_p:
# 当日价格区间对应的 bin 索引
counts, _ = np.histogram([low_p, high_p, close_p], bins=bins)
mask = counts > 0
if mask.sum() > 0:
chip_histogram[mask] += vol / mask.sum()
else:
idx = np.digitize(close_p, bins) - 1
if 0 <= idx < len(chip_histogram):
chip_histogram[idx] += vol
# 计算 70% 筹码集中度 (Chip Concentration)
total_volume = chip_histogram.sum()
if total_volume == 0:
return 0, (0, 0)
# 寻找筹码单峰(最高峰区间)
peak_idx = np.argmax(chip_histogram)
peak_price = (bins[peak_idx] + bins[peak_idx + 1]) / 2
# 计算围绕最高峰 70% 筹码所占的价格宽度
sorted_indices = np.argsort(chip_histogram)[::-1]
cum_vol = 0
selected_bins = []
for idx in sorted_indices:
cum_vol += chip_histogram[idx]
selected_bins.append(bins[idx])
if cum_vol >= total_volume * 0.7:
break
concentration_width = max(selected_bins) - min(selected_bins)
concentration_ratio = concentration_width / df["close"].iloc[-1]
return concentration_ratio, peak_price
# 2. 从 QuantDash 获取标准日 K线数据 (前复权)
symbol = "600519.SH" # 贵州茅台
df_klines = qd.klines.get(
symbol=symbol, period="1d", count=120, adjust="forward", to_dataframe=True
)
# 3. 执行筹码单峰计算
ratio, peak_p = calculate_chip_distribution(df_klines)
print(f"=== {symbol} 筹码分布分析结果 ===")
print(f"最新收盘价: {df_klines['close'].iloc[-1]}")
print(f"当前主筹码单峰价格: {peak_p:.2f}")
print(f"70% 筹码集中度系数: {ratio:.4f} (数值越小代表筹码越密集)")
真实数据输出:
=== 600519.SH 筹码分布分析结果 ===
最新收盘价: 1358.98
当前主筹码单峰价格: 1322.15
70% 筹码集中度系数: 0.1302 (数值越小代表筹码越密集)
四、 性能优化与量化进阶避坑指南 (E-E-A-T 专区)
1.防范未来函数:计算当前 T 日的筹码分布时,严格禁止引入 T+1 日及以后的 K 线数据。QuantDash 提供 end_time 参数,支持通过指定毫秒时间戳精准截取历史时刻的状态,非常适合回测系统避免未来函数注入。
2.复权类型选择:计算筹码价格区间必须使用前复权(乘法比例复权 adjust=‘forward’),保证当前最新价格不变,历史价格按真实收益率缩放;切勿使用不复权数据,否则分红派息导致的跳空缺口会被算法误判为“筹码断层”。
五、 常见问题解答 (Q&A / FAQ)
Q1: QuantDash 支持哪些市场的复权 K 线计算?
A: QuantDash 原生支持 A股(沪/深/京)、港股(.HK)和美股(.US)的全量前复权、后复权及差值复权,无需用户手动计算除权因子。完整说明参考 QuantDash 文档。
Q2: 为什么计算出的筹码集中度在不同时间跨度下差异较大?
A: 筹码分布具有时间衰减特性。一般建议取 120 或 250 个交易日(约半年的换手周期)的 K 线进行衰减拟合,回溯时间过短会导致筹码覆盖不全,过长则早期筹码已被完全换手。
🔗 相关资源与延伸阅读
🚀 QuantDash 官网:https://quantdash.net/
📖 官方 Python SDK 文档:https://docs.quantdash.net/
⭐ GitHub 开源仓库:https://github.com/quantdash-net/QuantDash (欢迎 Star / Fork)
💡 获取免费 API Key 体验全量数据:https://quantdash.net/dashboard/keys/
231



被折叠的 条评论
为什么被折叠?



