威科夫与高频因子
要筛选与威科夫操盘逻辑类似的因子，需先锚定威科夫核心原理：聚焦供求关系（吸筹 / 派发）、因果关系（蓄势→趋势）、努力与结果（量价匹配）、主力资金（Smart Money）行为、趋势与反转、盘口供需深度六大核心逻辑，再从文档中的高频因子中匹配契合度高的因子。以下为具体分类及因子罗列：
一、直接契合 “吸筹 / 派发” 核心逻辑的因子
威科夫的核心是识别主力资金的吸筹（Accumulation） 与派发（Distribution） 过程，以下因子直接围绕这一核心设计：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 收集派发指标（ACD） | 高频技术因子（文档 1） | 直接计算市场 “收集（吸筹）” 与 “派发” 的净力量，通过 ACD 线与股价背离发出反转信号（如 ACD 涨股价跌 = 吸筹→买入），与威科夫吸筹 / 派发模型完全对应。 |
| 累积 / 派发线（AD） | 高频技术因子（文档 1） | 以日内分钟成交量的价格加权累计值反映量能动量，识别主力吸筹时的量能累积、派发时的量能分散，契合威科夫 “量能先于价格” 的判断。 |
二、匹配 “供求关系（买卖力量失衡）” 的因子
威科夫强调通过盘口、订单流、资金流向量化买卖供需失衡，以下因子聚焦这一逻辑：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 逐档订单失衡率（SOIR） | 流动性类（文档 1） | 综合衡量盘口各档位买卖委托量不均衡程度，直接量化盘口供需压力，与威科夫 “盘口供需决定短期价格” 的分析逻辑一致。 |
| 订单流因子（Delta） | 订单流因子（文档 3） | 计算 “主动买入 - 主动卖出”，即时反映市场供需力量对比，对应威科夫 2.0 中 “订单流是供需最直接信号” 的核心观点。 |
| 资金流向（MFI） | 高频技术因子（文档 1） | 通过日内价量计算买卖压力（MFI 接近 0 = 卖压主导，100 = 买压主导），量化资金层面的供需失衡，契合威科夫 “资金流向主导供需” 的判断。 |
| 修正的净流入率 | 资金流类（文档 1） | 剥离反转因素提纯主力资金流，识别具有定价权的主力供需行为，对应威科夫对 “Smart Money（主力）主导供需” 的关注。 |
| 多层订单失衡 | 流动性类（文档 1） | 加权累计不同档位的订单失衡，精准量化供需对股价的短期 / 长期影响，符合威科夫 “多档位供需共同决定市场结构” 的逻辑。 |
三、契合 “努力与结果（量价匹配）” 的因子
威科夫 “努力与结果原则” 核心是：成交量（努力）需与价格变动（结果）匹配，背离则为反转信号（如放量滞涨 = 派发），以下因子直接围绕这一逻辑：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 成交量 “潮汐” 的价格变动速率 | 量价相关性类（文档 1） | 衡量成交量激增（努力）时的价格变动速率（结果），若量价不同步（如价跌量增但价速慢）则为过度反应，对应威科夫 “努力无果 = 趋势反转”（如放量滞跌 = 吸筹）。 |
| 成交量异常分类（volume_anomaly_type） | 成交分布类（文档 3） | 通过 “均值 + 标准差” 识别异常放量（努力），结合价格涨跌判断 “努力有果”（量涨价涨）或 “努力无果”（量涨价滞），直接落地威科夫努力与结果原则。 |
| 量价相关性（期货高频因子） | 期货 - 高频因子（文档 1） | 衡量期货成交量与价格的同步性（如量涨价涨 = 多头主导），若量价背离（如量涨价跌）则为供需反转信号，契合威科夫量价匹配逻辑。 |
| 加权偏度 | 收益分布类（文档 1） | 以成交量加权计算价格分布偏离，负偏态（成交集中于高位）= 量价背离（努力无果），对应威科夫 “放量滞涨 = 高估 / 派发” 的判断。 |
四、对应 “因果关系（蓄势→趋势）” 的因子
威科夫 “因果关系原则”：蓄势（横盘 / 支撑阻力）是因，趋势（涨跌）是果，以下因子聚焦 “蓄势” 与 “趋势” 的关联：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 趋势强度（期货高频因子） | 期货 - 高频因子（文档 1） | 以 “日内价格位移 / 路程” 刻画趋势强弱（果），回看期 1 天收益最高，对应威科夫 “吸筹蓄势（因）→趋势上涨（果）” 的逻辑。 |
| 阿隆指标（AROON） | 高频技术因子（文档 1） | 计算价格达近期高低点的期间数，识别 “蓄势后的趋势启动”（如 AROON_UP 突破 50 = 趋势开始），契合因果关系中 “蓄势→趋势” 的传导。 |
| 成交量支撑区域下限与收盘价差异 | 成交分布类（文档 1） | 确定成交量支撑区域（蓄势形成的公允价），收盘价偏离支撑区域（果）则未来回归，符合 “蓄势（支撑）→价格回归（果）” 逻辑。 |
| b 型 /p 型成交量分布 | 成交分布类（文档 1） | 通过同价成交量确定支撑区域（蓄势），b 型（接近最低价）预期上涨、p 型（接近最高价）预期下跌，对应威科夫 “蓄势区域决定趋势方向”。 |
五、聚焦 “主力资金（Smart Money）行为” 的因子
威科夫核心假设是 “主力资金主导市场”，以下因子专门跟踪主力 / 知情资金的行为：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 知情交易概率（PIN/DPIN） | 资金流类（文档 1） | 衡量知情交易者（主力）订单占比，PIN 越高 = 信息不对称越强（主力主导），对应威科夫对 “Smart Money 利用信息吸筹 / 派发” 的关注。 |
| 大单影响力 | 期货 - 高频因子（文档 1） | 统计大额成交后 100 笔快照收益率，跟踪大资金（主力）持仓方向，符合威科夫 “主力资金行为决定趋势” 的核心观点。 |
| 买单集中度 | 资金流类（文档 1） | 刻画日内买单成交金额分布均匀度，集中度高 = 主力集中买盘，对应威科夫 “主力吸筹时买单集中” 的行为特征。 |
| K 线类型（多开 / 空开） | 成交分布类（文档 3） | 通过 “持仓量 + 价格变动” 判断主力开仓 / 平仓行为（如多开 = 主力主动买），直接识别主力建仓 / 出货动作。 |
六、辅助 “趋势与反转” 判断的因子
威科夫重视趋势强弱与反转信号，以下因子用于识别趋势拐点：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 极端收益反转 | 动量反转类（文档 1） | 日内极端收益后呈反转特性，切割出强反转因子，对应威科夫 “过度反应后的反转”（如恐慌抛售 = 吸筹信号）。 |
| 价格拐点 | 期货 - 高频因子（文档 1） | 衡量期货品种交易分歧度，分歧大（拐点多）= 趋势反转，契合威科夫 “趋势拐点 = 多空力量切换” 的判断。 |
| 日内跳跃度 / 跳跃强度 | 波动跳跃类（文档 1） | 衡量价格在消息 / 主力冲击下的跳跃程度，跳跃后易反转，对应威科夫 “突发价格变动 = 趋势拐点” 的逻辑。 |
| 修正的振幅（翻转振幅） | 波动跳跃类（文档 1） | 根据日跳跃度修正振幅，增强低波动异象，识别 “振幅收窄 = 蓄势→反转”，符合威科夫趋势转折逻辑。 |
七、关联 “盘口供需深度” 的因子
威科夫通过盘口深度、价差判断供需充足度，以下因子聚焦盘口流动性与供需：
| 因子名称 | 所属分类（文档来源） | 对应威科夫逻辑 |
|---|---|---|
| 有效深度 | 流动性类（文档 1） | 取最优买卖单挂单量最小值，衡量市场实际供需深度，深度大 = 流动性充足（主力可大规模建仓），符合威科夫 “吸筹需充足流动性” 的逻辑。 |
| 盘口平均深度 | 流动性类（文档 1） | 反映整体市场挂单量（供需深度），深度大 = 供需充足，对应威科夫 “盘口深度决定主力操作空间” 的判断。 |
| 盘口价差 | 流动性类（文档 1） | 衡量卖一 - 买一价差（供需成本），价差大 = 流动性差（供需不均衡），契合威科夫 “价差扩大 = 买卖力量失衡” 的逻辑。 |
在文档提及的所有因子中，收集派发指标（ACD） 是最贴合威科夫操盘法 “派发” 与 “累积” 核心逻辑的因子，其他部分高频量价因子可作为辅助验证指标。以下结合威科夫操盘法的核心逻辑与因子特性展开分析：
一、核心匹配因子：收集派发指标（ACD）—— 直接对应威科夫 “累积 / 派发” 逻辑
威科夫操盘法的核心是通过分析市场 “供需力量变化” 识别主力资金的累积（吸筹） 与派发（出货） 行为：
- 累积阶段：主力暗中吸筹，市场表现为 “价格震荡但买方力量逐步占优”，最终突破区间上涨；
- 派发阶段：主力暗中出货，市场表现为 “价格震荡但卖方力量逐步占优”，最终突破区间下跌。
而文档中的收集派发指标（ACD） 正是通过量化 “净收集力量” 直接刻画供需博弈，与威科夫逻辑完全契合，具体对应关系如下：
| 威科夫操盘法核心逻辑 | 收集派发指标（ACD）的计算与解读 | 直接匹配点 |
|---|---|---|
| 累积（吸筹） （买方力量＞卖方力量） | 1. 计算逻辑：若当日收盘价＞昨日收盘价，“收集力量”= 收盘价 -“真实低位”（当日低位与昨日收盘价的较低值）； 2. ACD 线特征：ACD 线持续上升（净收集力量为正且递增），说明买方主导，资金在累积。 | ACD 线上升→对应威科夫 “累积阶段”，此时价格若未大幅上涨，大概率是主力吸筹，后续易突破上涨。 |
| 派发（出货） （卖方力量＞买方力量） | 1. 计算逻辑：若当日收盘价＜昨日收盘价，“派发力量”= 收盘价 -“真实高位”（当日高位与昨日收盘价的较高值，结果为负）； 2. ACD 线特征：ACD 线持续下降（净收集力量为负且递减），说明卖方主导，资金在派发。 | ACD 线下降→对应威科夫 “派发阶段”，此时价格若未大幅下跌，大概率是主力出货，后续易突破下跌。 |
| 信号验证 （趋势与指标背离） | 文档明确说明 ACD 的关键信号： - ACD 线下降但股价上升→卖方力量隐现，是 “派发完成” 的卖出信号； - ACD 线上升但股价下降→买方力量隐现，是 “累积完成” 的买入信号。 | 完全匹配威科夫 “背离验证” 逻辑（如 “价格创新高但买方力量减弱”= 派发信号，“价格创新低但卖方力量减弱”= 累积信号）。 |
二、辅助验证因子：高频量价因子 —— 补充威科夫 “量价配合” 逻辑
威科夫操盘法强调 “量价同步”（如累积阶段需 “价稳量增”，派发阶段需 “价稳量减”），文档中部分高频量价因子可作为 ACD 指标的辅助，验证 “累积 / 派发” 的有效性：
1. 成交量比率（VR）—— 验证 “量能与供需的匹配度”
- 因子逻辑：日内 “股价上升分钟成交量 / 股价下跌分钟成交量”，衡量买卖力量对比；
- 威科夫辅助作用：
- 若 ACD 线上升（累积信号）+ VR 值持续高于阈值（如 1.2）→ 说明 “买方力量强且有量能支撑”，累积信号更可靠；
- 若 ACD 线下降（派发信号）+ VR 值持续低于阈值（如 0.8）→ 说明 “卖方力量强且有量能支撑”，派发信号更可靠。
2. 动态买卖气指标（ADTM）—— 验证 “趋势方向与供需的一致性”
- 因子逻辑：通过日内开盘价的涨跌幅度计算 “市场人气”，取值范围 - 1~1（正 = 看涨，负 = 看跌）；
- 威科夫辅助作用：
- 累积阶段：ACD 线上升 + ADTM 为正且递增→ 确认 “买方人气持续升温”，累积后的上涨趋势更明确；
- 派发阶段：ACD 线下降 + ADTM 为负且递减→ 确认 “卖方人气持续升温”，派发后的下跌趋势更明确。
3. 买入意愿因子 —— 验证 “短期资金的供需倾斜”
- 因子逻辑：日内 “买一＞卖一的快照数量 / 总快照数量”，衡量短期买入意愿强度；
- 威科夫辅助作用：
- 累积阶段末期：ACD 线上升 + 买入意愿因子突然跳升→ 说明短期买方集中进场，可能是累积完成的 “突破信号”；
- 派发阶段末期：ACD 线下降 + 买入意愿因子突然跳水→ 说明短期卖方集中离场，可能是派发完成的 “破位信号”。
三、其他因子的适配性排除
文档中提及的 “凸显性收益 / 波动率”“动量反转类因子”“CTA 策略因子（如期限结构、基本面因子）” 等，因核心逻辑与威科夫 “供需博弈、主力行为” 无关，难以直接作为 “累积 / 派发” 的状态判断因子：
- 例如 “凸显性收益（STR）” 聚焦 “投资者对高收益的过度关注”，“耀眼波动率” 聚焦 “成交量激增后的价格波动”，均不涉及 “主力资金的吸筹 / 出货行为”，与威科夫逻辑匹配度极低；
- CTA 策略中的 “趋势跟踪 / 反转因子” 仅关注价格趋势，未刻画 “供需力量的隐性变化”（如威科夫强调的 “量价背离下的主力行为”），无法替代 ACD 指标的核心作用。
结论：符合威科夫 “派发 / 累积” 逻辑的状态因子组合
- 核心因子（必选）：收集派发指标（ACD） —— 直接量化 “净收集 / 派发力量”，是识别威科夫 “累积 / 派发” 状态的核心依据；
- 辅助因子（可选）：
- 成交量比率（VR）：验证量能与供需的匹配度，避免 “无量假突破”；
- 动态买卖气指标（ADTM）：验证人气趋势与供需的一致性，确认阶段延续性；
- 买入意愿因子：捕捉短期资金异动，辅助判断 “累积 / 派发的完成时点”。
通过 “ACD 指标定方向（累积 / 派发）+ VR/ADTM/ 买入意愿因子做验证”，可完整贴合威科夫操盘法的逻辑，构建有效的市场状态判断体系。
基于《可用的状态.docx》中对收集派发指标（ACD） 的定义（日内高频因子，核心是计算 “净收集力量”，需通过收盘价、最高价、最低价等分钟级数据推导日度指标，再通过时间衰减加权降频为月度因子），以下是完整的 Python 复现步骤，包含数据准备、因子计算、降频处理及结果验证，严格贴合文档逻辑：
一、复现前的核心逻辑回顾（基于文档定义）
文档中 ACD 指标的计算规则需明确 3 个关键环节，这是 Python 复现的核心依据：
- 日度 ACD 基础计算（DIF 与 AC）
- 首先计算每日的 “净收集 / 派发力量（DIF）”：
- 若当日收盘价（Close_t）＞昨日收盘价（Close_t-1）：DIF = Close_t - 真实低位（当日最低价 Low_t 与昨日收盘价 Close_t-1 的较小值）；
- 若当日收盘价（Close_t）＜昨日收盘价（Close_t-1）：DIF = Close_t - 真实高位（当日最高价 High_t 与昨日收盘价 Close_t-1 的较大值）；
- 若收盘价相等：文档未明确说明，默认 DIF=0（供需平衡）。
- 再计算 “累计收集力量（AC）”：AC 为过去 N 个交易日的 DIF 累加（文档未指定 N，通常取 20 日，与其他因子降频周期一致）。
- 首先计算每日的 “净收集 / 派发力量（DIF）”：
- 因子降频规则：将过去 20 个交易日的日度 ACD 指标（AC 值）进行 “时间衰减加权”，得到月度因子（时间衰减加权默认采用 “近期权重更高” 的指数衰减，贴合高频因子降频的常见逻辑）。
- 数据要求：需剔除开盘 / 收盘数据（文档中高频因子通用规则），仅使用日内分钟级的收盘价、最高价、最低价，最终聚合为日度数据后计算。
二、Python 复现完整代码（分步骤实现）
1. 环境准备与数据模拟（若无真实数据，可生成测试数据）
首先导入所需库，若有真实的分钟级数据（如 tushare、Wind 接口获取的期货 / 股票分钟数据），可替换模拟数据部分。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt# --------------------------
# 步骤1：模拟日内分钟级数据（贴合文档“剔除开盘/收盘数据”规则）
# 假设数据维度：日期（date）、时间（time）、标的代码（code）、收盘价（close）、最高价（high）、最低价（low）
# 模拟2个标的（code1、code2），共60个交易日（覆盖3个月度周期，用于降频验证）
# --------------------------
# 生成日期范围（60个交易日，跳过周末）
date_range = pd.date_range(start="2024-01-01", end="2024-03-31", freq="B")[:60]
# 生成日内时间（剔除开盘30分钟和收盘30分钟，假设交易日时间9:30-15:00，取10:00-14:30的分钟数据）
intraday_time = pd.date_range(start="10:00:00", end="14:30:00", freq="T").time
# 构建模拟数据
data_list = []
for code in ["code1", "code2"]:for date in date_range:for time in intraday_time:# 模拟价格：close在100-120波动，high≥close≥lowclose = np.random.uniform(100, 120)high = np.random.uniform(close, close + 2)low = np.random.uniform(close - 2, close)data_list.append([date, time, code, close, high, low])# 转为DataFrame并预处理
df_minute = pd.DataFrame(data_list,columns=["date", "time", "code", "close", "high", "low"]
)
# 聚合为日度数据（文档中ACD需先从分钟数据提取日度核心指标：日收盘价、日最高价、日最低价）
df_daily = df_minute.groupby(["date", "code"]).agg(close=("close", "last"), # 日收盘价=当日最后一分钟收盘价high=("high", "max"), # 日最高价=当日分钟最高价的最大值low=("low", "min") # 日最低价=当日分钟最低价的最小值
).reset_index()# 查看日度数据结构（前5行）
print("日度数据预览：")
print(df_daily.head())2. 计算日度 ACD 核心指标（DIF 与 AC）
根据文档规则计算每日的 “净收集 / 派发力量（DIF）”，再累加得到 “累计收集力量（AC）”：
# --------------------------
# 步骤2：计算日度DIF（净收集/派发力量）
# --------------------------
# 按标的分组，计算每个标的的昨日收盘价（shift(1)）
df_daily = df_daily.sort_values(["code", "date"]).reset_index(drop=True)
df_daily["close_prev"] = df_daily.groupby("code")["close"].shift(1) # close_t-1# 定义DIF计算逻辑（严格匹配文档）
def calculate_dif(row):close_t = row["close"]close_t_1 = row["close_prev"]high_t = row["high"]low_t = row["low"]if pd.isna(close_t_1): # 首个交易日无昨日数据，DIF=0return 0elif close_t > close_t_1: # 收集阶段：DIF=收盘价-真实低位（low_t与close_t_1的较小值）true_low = min(low_t, close_t_1)return close_t - true_lowelif close_t < close_t_1: # 派发阶段：DIF=收盘价-真实高位（high_t与close_t_1的较大值）true_high = max(high_t, close_t_1)return close_t - true_highelse: # 收盘价相等，供需平衡，DIF=0return 0# 应用函数计算日度DIF
df_daily["dif"] = df_daily.apply(calculate_dif, axis=1)# --------------------------
# 步骤3：计算日度AC（累计收集力量，文档默认20日窗口）
# --------------------------
df_daily["ac"] = df_daily.groupby("code")["dif"].rolling(window=20, min_periods=1).sum().reset_index(drop=True)# 查看日度ACD结果（前10行，code1）
print("\n日度ACD（DIF+AC）结果预览（code1）：")
print(df_daily[df_daily["code"] == "code1"][["date", "close", "close_prev", "dif", "ac"]].head(10))3. 月度因子降频（时间衰减加权）
文档要求 “将过去 20 个交易日的日度 ACD 指标进行时间衰减加权，得到月度因子”。时间衰减加权采用指数衰减法（近期数据权重更高，衰减系数 λ=0.9，可根据需求调整）：
# --------------------------
# 步骤4：时间衰减加权（指数衰减）
# 公式：权重w_i = λ^(n-i)，其中n=20（窗口长度），i=1~20（越近i越大，权重越高）
# --------------------------
def time_decay_weighted_ac(ac_series, decay_factor=0.9):"""计算时间衰减加权的AC值（月度因子）ac_series：过去20个交易日的AC序列（按日期升序，前1天→第20天）decay_factor：衰减系数（默认0.9，越小衰减越快）"""window = len(ac_series)if window < 1:return np.nan# 生成权重：第1天（最早）权重=decay_factor^(window-1)，第window天（最新）权重=1weights = np.array([decay_factor ** (window - i - 1) for i in range(window)])# 归一化权重（避免权重和不为1导致的偏差）weights_normalized = weights / weights.sum()# 加权计算月度AC因子monthly_ac = np.dot(ac_series.values, weights_normalized)return monthly_ac# --------------------------
# 步骤5：按“年月”分组，计算月度ACD因子
# --------------------------
# 添加“年月”列（用于分组）
df_daily["year_month"] = df_daily["date"].dt.to_period("M")# 按标的+年月分组，对每个组的AC序列应用时间衰减加权
df_monthly = df_daily.groupby(["code", "year_month"]).apply(lambda x: pd.Series({"monthly_ac": time_decay_weighted_ac(x["ac"].reset_index(drop=True)),"date_end": x["date"].max() # 月度因子对应的结束日期})
).reset_index()# 查看月度ACD因子结果
print("\n月度ACD因子结果：")
print(df_monthly[["code", "year_month", "date_end", "monthly_ac"]])4. 结果可视化与验证（贴合文档 “信号逻辑”）
文档提到 ACD 的核心信号：“ACD 线下降但股价上升→卖出信号；ACD 线上升但股价下降→买入信号”。通过可视化验证因子与价格的联动关系：
# --------------------------
# 步骤6：可视化验证（以code1为例，查看AC与收盘价的关系）
# --------------------------
df_code1 = df_daily[df_daily["code"] == "code1"].copy()fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), sharex=True)# 子图1：收盘价走势
ax1.plot(df_code1["date"], df_code1["close"], label="收盘价", color="blue")
ax1.set_title("code1 收盘价走势", fontsize=12)
ax1.set_ylabel("收盘价", fontsize=10)
ax1.legend()
ax1.grid(True, alpha=0.3)# 子图2：日度AC走势（ACD线）
ax2.plot(df_code1["date"], df_code1["ac"], label="AC（累计收集力量）", color="red")
ax2.axhline(y=0, color="black", linestyle="--", alpha=0.5, label="供需平衡线（AC=0）")
ax2.set_title("code1 日度AC（收集派发指标）走势", fontsize=12)
ax2.set_xlabel("日期", fontsize=10)
ax2.set_ylabel("AC值", fontsize=10)
ax2.legend()
ax2.grid(True, alpha=0.3)# 旋转x轴日期标签
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()# 验证文档信号：查找“AC上升但收盘价下降”的买入信号候选点
df_code1["ac_prev"] = df_code1["ac"].shift(1)
df_code1["close_prev"] = df_code1["close"].shift(1)
buy_signals = df_code1[(df_code1["ac"] > df_code1["ac_prev"]) & (df_code1["close"] < df_code1["close_prev"])]print(f"\ncode1 买入信号候选点数量：{len(buy_signals)}")
print("买入信号候选点（前5个）：")
print(buy_signals[["date", "close", "close_prev", "ac", "ac_prev"]].head())三、关键注意事项（贴合文档细节）
- 数据清洗：必须剔除开盘 / 收盘数据（文档高频因子通用规则），代码中通过筛选 “10:00-14:30” 的分钟数据实现，若真实数据有明确开盘 / 收盘标记，需对应调整时间范围。
- 参数选择：
- AC 的计算窗口（文档默认 20 日）：若需调整，可修改
rolling(window=20)中的window参数； - 时间衰减系数（默认 0.9）：若希望近期数据权重更高，可减小系数（如 0.8），反之增大（如 0.95）。
- AC 的计算窗口（文档默认 20 日）：若需调整，可修改
- 结果解读：
- AC＞0：整体处于 “收集阶段”，买方力量占优；
- AC＜0：整体处于 “派发阶段”，卖方力量占优；
- 月度因子
monthly_ac可用于跨标的排序（如筛选 AC 最高的前 20% 标的，判断为强收集状态）。
通过以上代码，可完全复现《可用的状态.docx》中定义的收集派发指标（ACD），从分钟级数据到日度基础指标，再到月度因子，全程贴合文档逻辑，且包含结果验证环节，确保因子有效性。