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.lryc.cn/news/582164.html

相关文章:

  • Swift 解 LeetCode 320:一行单词有多少种缩写可能?用回溯找全解
  • 深入解析TCP:可靠传输的核心机制与实现逻辑(三次握手、四次挥手、流量控制、滑动窗口、拥塞控制、慢启动、延时应答、面向字节流、粘包问题)
  • 沉浸式视频的未来:MV-HEVC与3D-HEVC技术深度解析
  • 【STM32】const 变量存储学习笔记
  • 6,Receiving Messages:@KafkaListener Annotation
  • 【网络】Linux 内核优化实战 - net.ipv4.ip_local_port_range
  • 【方案】前端UI布局的绝技,响应式布局,多端适配
  • 医疗AI底层能力全链条工程方案:从技术突破到临床落地
  • 如何排查服务器中已经存在的后门程序?
  • Java基础--封装+static
  • 软件工程功能点估算基础
  • 软件工程功能点估算法常用术语介绍
  • jmm-内存屏障
  • MMaDA:多模态大型扩散语言模型
  • 边缘计算新底座:基于VPP+DPDK的开放智能网关
  • kafka总结
  • AI + 数据治理的趋势:让治理更智能、更敏捷
  • Web Worker:让前端飞起来的隐形引擎
  • 七牛云Java开发面试题及参考答案(60道面试题汇总)
  • 【C语言】指针与回调机制学习笔记
  • 1-Kafka介绍及常见应用场景
  • CAIDCP AI驱动安全专家认证将于8月正式上线,首期班开始报名
  • c++-引用(包括完美转发,移动构造,万能引用)
  • Qt中的坐标系
  • 算法————模拟算法
  • 机房运维篇(添加备份盘)加备份
  • mac中有多个java版本涉及到brew安装中,怎么切换不同版本
  • Playwright vs TestCafe 对象注入机制详解对比
  • Redis Tag 字段详解与最佳实践
  • 可扩展 Redis 查询引擎的最佳实践