当前位置: 首页 > news >正文

股票筹码分布及其数据获取

文章目录

  • 股票筹码分布及其数据获取
      • 一、筹码分布的核心概念与意义
        • 1. **基本定义**
        • 2. **核心意义**
      • 二、Python实现:AKShare获取贵州茅台筹码分布
        • 1. 安装依赖
        • 2. 完整代码
        • 3. 关键代码解析
      • 三、实战应用案例(贵州茅台)
        • 1. **低位密集反弹信号**
        • 2. **高位派发预警**

股票筹码分布及其数据获取

一、筹码分布的核心概念与意义

1. 基本定义

筹码分布(也称为成本分布)是一种展示股票持仓成本结构的技术分析工具。它通过统计不同价格区间的成交量分布,直观呈现市场参与者的持股成本集中区域。核心要素包括:

  • 颜色标识
    • 蓝色:套牢盘(当前价格 < 持仓成本)
    • 红色:获利盘(当前价格 > 持仓成本)
    • 白线:所有筹码的平均成本
  • 筹码峰:成本密集区形成的价格尖峰,代表强支撑/阻力位。
  • 集中度:数值越低(如<10%),表明筹码越集中,主力控盘可能性越高。
2. 核心意义
应用场景判断逻辑实战意义
趋势判断低位筹码密集 → 主力吸筹完毕,上涨概率高;高位密集 → 套牢盘压力大,可能回调识别牛熊转折点,如贵州茅台在2025年1422元低位密集后反弹
主力动向识别获利30%不抛、横盘不卖、解套不走的筹码多为主力筹码发现高控盘个股,如迪安诊断拉升时底部筹码锁定
支撑/阻力分析筹码峰在下跌中形成支撑(投资者惜售),上涨中形成阻力(解套抛压)制定买卖点,突破密集区放量可追涨

二、Python实现:AKShare获取贵州茅台筹码分布

1. 安装依赖
uv add akshare pandas matplotlib
2. 完整代码
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt# 获取贵州茅台筹码分布数据(同花顺接口)
def get_chip_distribution():try:# 从AKShare获取筹码分布数据df = ak.stock_cyq_em(symbol="600519")# 数据清洗:转换日期格式,筛选关键列df['日期'] = pd.to_datetime(df['日期'])        return dfexcept Exception as e:print(f"数据获取失败: {e}")return None# 可视化筹码分布
def plot_chip_distribution(df):plt.rcParams['font.sans-serif']=['Microsoft YaHei'] # 用来正常显示中文标签plt.figure(figsize=(14, 7))# 绘制收盘价走势plt.subplot(2, 1, 1)plt.plot(df['日期'], df['平均成本'], 'b--', label='平均成本')plt.fill_between(df['日期'], df['90成本-低'], df['90成本-高'], color='gray', alpha=0.3, label='90%成本区间')plt.title('贵州茅台(600519) 筹码分布分析', fontsize=14)plt.legend()plt.grid(True)# 绘制集中度与获利比例plt.subplot(2, 1, 2)plt.bar(df['日期'], df['获利比例'], color='red', alpha=0.6, label='获利比例')plt.plot(df['日期'], df['90集中度'], 'go-', label='90集中度')plt.xlabel('日期')plt.legend()plt.grid(True)plt.tight_layout()plt.savefig('茅台筹码分布.png', dpi=300)plt.show()# 主程序
if __name__ == "__main__":chip_data = get_chip_distribution()if chip_data is not None:print("最新5条筹码分布数据:")print(chip_data.tail(5))  # 打印最新5条数据plot_chip_distribution(chip_data)else:print("请检查网络或AKShare接口更新!")

程序运行结果:

最新5条筹码分布数据:日期      获利比例     平均成本   90成本-低   90成本-高     90集中度   70成本-低   70成本-高     70集中度
85 2025-07-01  0.062117  1526.65  1384.01  1651.46  0.088108  1428.59  1593.52  0.054574
86 2025-07-02  0.081460  1526.65  1384.01  1647.01  0.086767  1428.59  1593.52  0.054574
87 2025-07-03  0.118443  1526.65  1388.47  1647.01  0.085171  1424.13  1593.52  0.056132
88 2025-07-04  0.138176  1526.65  1388.47  1647.01  0.085171  1424.13  1593.52  0.056132
89 2025-07-07  0.080325  1526.65  1388.47  1647.01  0.085171  1424.13  1593.52  0.056132

数据截图

3. 关键代码解析
  • 数据接口ak.stock_cyq_em(symbol="600519") 直接获取东方财富筹码分布数据。
  • 核心字段
    • 获利比例:当前价格下盈利筹码占比(红色区域)
    • 集中度:数值越低主力控盘越强(一般<10%为强势股)
    • 90%成本区间:90%筹码聚集的价格区间
  • 可视化设计
    • 上图:股价与成本区间叠加,识别支撑/压力位
    • 下图:获利比例(红柱)与集中度(绿线)联动,捕捉主力动向

三、实战应用案例(贵州茅台)

1. 低位密集反弹信号
  • 若数据显示:
    • 股价跌至1400元附近时,90%成本区间收缩至1350-1450元
    • 集中度骤降至8%(主力吸筹完成)
    • 获利比例<5%(市场恐慌抛售)
  • 策略:突破平均成本线且放量时介入
2. 高位派发预警
  • 若数据显示:
    • 股价在1800元时,获利比例>95%
    • 集中度升至15%(筹码分散)
    • 90%成本区间上移至1700-1850元(套牢盘堆积)
  • 策略:跌破密集区下沿止损

💡 注意事项

  1. AKShare的东方财富接口需关注数据源稳定性,若失效可切换至stock_zh_a_hist获取K线后自行计算;
  2. 筹码分布需结合成交量验证——突破密集区时需放量,否则可能是假突破;
  3. 不同行业筹码特征不同(如白酒股主力控盘更强)。
http://www.dtcms.com/a/268749.html

相关文章:

  • validate CRI v1 image API for endpoint “unix:///run/containerd/containerd.sock“
  • 代码详细注释:递归查找指定目录及其子目录中的所有BMP位图文件,并通过双重验证确保找到的文件确实是合法的BMP文件。以下是详细的功能说明:DIY机器人工房
  • Maven 私库
  • [特殊字符] Excel 读取收件人 + Outlook 批量发送带附件邮件 —— Python 自动化实战
  • pyautogui库的一些鼠标操作
  • 医学 LLM 评估相关论文笔记
  • OSPF路由过滤
  • 【python实用小脚本-130】基于 Python 的 HTML 到 Markdown 转换工具:实现高效文档格式转换
  • 深度学习7(梯度下降算法改进)
  • SLAM文献之Efficient and Consistent Bundle Adjustment on Lidar Point Clouds(BALM)
  • 安卓10.0系统修改定制化____实现自动开启 USB 调试​的步骤解析 列举常用的几种修改方法
  • 【氮化镓】​​GaN帽层对HEMTs栅极漏电机制的影响
  • LeetCode 2099.找到和最大的长度为 K 的子序列:自定义排序
  • 前端篇——HTML知识点体系
  • 解决jenkins的Exec command命令nohup java -jar不启动问题
  • 订单初版—1.分布式订单系统的简要设计文档
  • Vue 2 vs Vue 3:核心区别详解与升级指南
  • 使用ansible的角色实现批量安装nginx服务
  • ReAct (Reason and Act) OR 强化学习(Reinforcement Learning, RL)
  • [特殊字符] Python 实战 | 批量统计中文文档词频并导出 Excel
  • iOS 出海 App 安全加固指南:无源码环境下的 IPA 加固与防破解方法
  • Spring的Bean原型模式下的使用
  • OpenWebUI(3)源码学习-后端models数据模型模块
  • 【论文撰写】如何把AI生成的文本公式复制在word中,完整的复制公式,拷贝豆包生成的公式
  • 网络安全之注入攻击:原理、危害与防御之道
  • 文件IO day29
  • 代码幽灵5-终局:静默编译
  • Baklib: 用 “技术轻量化” 解决内容管理 “重需求”
  • Linux命令的命令历史
  • 大数据在UI前端的应用创新:基于情感计算的用户体验优化