用 Python + MiniQMT 计算股票资金流向

“

用 MiniQMT（迅投 QMT）的 Tick 逐笔数据，统计个股每日资金流向。

一、为什么要计算资金流向？

资金流向是判断市场情绪和主力意图的重要指标。简单来说：

• 资金流入 → 买方力量强，可能推动股价上涨
• 资金流出 → 卖方力量强，可能压制股价

但市面上很多资金流向数据都是"黑盒"，我们不知道它是怎么算的。今天这篇文章，花姐带你从零开始，用 Python 和 MiniQMT 的 Tick 数据，自己动手算一遍。

二、核心原理：四步计算法

整个计算流程分为四个步骤：

获取 Tick 数据 → 计算单笔方向 → 汇总每日统计 → 按单量分类

第 1 步：获取 Tick 逐笔数据

MiniQMT 提供了 xtdata 模块，可以获取股票的逐笔成交数据（Tick 数据）。每一条 Tick 记录包含：

from xtquant import xtdata# 下载并获取 tick 数据xtdata.download_history_data(    stock_code='601609.SH',    period='tick',    start_time='20260407')data = xtdata.get_market_data_ex(    stock_list=['601609.SH'],    period='tick',    start_time='20260407')df = data['601609.SH']

注意：Tick 数据中的 amount 和 volume 是累计值，所以需要用 diff() 计算单笔的成交额和成交量。

第 2 步：判断每笔成交的方向（主动买入 vs 主动卖出）

这是资金流向计算的核心。关键规则：

“

主动买入：成交价 ≥ 卖一价（askPrice[0]）主动卖出：成交价 ≤ 买一价（bidPrice[0]）

原理：如果成交价触及或超过了卖一价，说明买方愿意以更高的价格买入，是主动买入；反之则是主动卖出。

# 提取买卖一价df['bid1'] = df['bidPrice'].apply(lambda x: float(x[0]) if isinstance(x, (list, tuple)) and len(x) > 0else np.nan)df['ask1'] = df['askPrice'].apply(lambda x: float(x[0]) if isinstance(x, (list, tuple)) and len(x) > 0else np.nan)# 判断方向conditions = [    df['lastPrice'] >= df['ask1'],  # 主动买入    df['lastPrice'] <= df['bid1']   # 主动卖出]choices = ['buy', 'sell']df['direction'] = np.select(conditions, choices, default='neutral')

单笔成交额计算：

# amount 是累计值，用 diff 得到单笔成交额df['tick_amount'] = df['amount'].diff().fillna(df['amount'])

第 3 步：汇总每日资金流向

将每笔的主动买入、主动卖出汇总到每日：

daily = df.groupby('date').agg({'buy_amount': 'sum','sell_amount': 'sum','net_inflow': 'sum',}).reset_index()

其中：

• 主动买入金额 = 所有 direction='buy' 的 tick_amount 之和
• 主动卖出金额 = 所有 direction='sell' 的 tick_amount 之和
• 净流入 = 主动买入金额 - 主动卖出金额

第 4 步：按单量大小分类（大单/中单/小单）

除了总体的资金流向，我们还想知道大资金和散户的行为差异。分类方法：

“

平均单笔成交量 = 单笔成交量 / 成交笔数

• 大单：平均单笔成交量 > 2 × 中位数
• 中单：中位数 < 平均单笔成交量 ≤ 2 × 中位数
• 小单：平均单笔成交量 ≤ 中位数

# 计算平均单笔成交量df['avg_trade_size'] = df['tick_volume'] / df['transactionNum']# 用中位数作为分界点avg_size = df['avg_trade_size'].median()# 分类df['order_size'] = pd.cut(    df['avg_trade_size'],    bins=[0, avg_size, 2 * avg_size, np.inf],    labels=['小单', '中单', '大单'])

然后分别计算大单、中单、小单的净流入：

big = df[df['order_size'] == '大单'].groupby('date')['net_inflow'].sum()mid = df[df['order_size'] == '中单'].groupby('date')['net_inflow'].sum()small = df[df['order_size'] == '小单'].groupby('date')['net_inflow'].sum()

三、数据过滤：只统计交易时段

A 股的交易时间是 9:30-15:00，但 Tick 数据可能包含盘前集合竞价的数据。我们需要过滤：

df['time_only'] = df['time'].dt.timemask = (df['time_only'] >= pd.to_datetime('09:30:00').time()) & \       (df['time_only'] <= pd.to_datetime('15:00:00').time())df = df.loc[mask]

四、可视化：四图联动

计算完成后，我们用 matplotlib 绘制四张子图：

fig, axes = plt.subplots(4, 1, figsize=(14, 14),                          gridspec_kw={'height_ratios': [2, 1, 1, 1]})

关键设计：

• 收盘价和资金流向分开绘制，避免量纲不同导致曲线变形
• 使用日线数据作为价格基准，更准确
• 成交量用红涨绿跌着色，直观反映涨跌

五、完整代码结构

get_tick_data()           # 获取 Tick 数据    ↓calculate_money_flow()    # 计算单笔方向 + 累计值    ↓aggregate_daily_money_flow()  # 按天聚合统计    ↓plot_daily_money_flow()   # 绘图展示

函数职责分离：

• calculate_money_flow()：只做 Tick 级计算
• aggregate_daily_money_flow()：只做日级聚合
• plot_daily_money_flow()：只做可视化

六、使用示例

# 分析某股票最近 5 天的资金流向result = analyze_stock_money_flow(    stock_code='6*****.SH',    start_time='20260401',    end_time='20260407',    save_path='money_flow.png')# result 是每日聚合的 DataFrameprint(result)

输出示例：

date    buy_amount   sell_amount    net_inflow       big_net       mid_net     small_net0   2026-04-07  4.359756e+07  4.959483e+07 -5.997272e+06 -5.586435e+06 -3.161270e+05 -9.471000e+041   2026-04-08  1.637802e+08  1.152624e+08  4.851781e+07  4.786713e+07  1.598940e+05  4.907790e+052   2026-04-09 -2.126938e+08  9.301448e+07 -3.057082e+08 -2.428960e+07 -9.147700e+05 -6.960310e+053   2026-04-10  8.310812e+07 -7.883693e+07  1.619451e+08 -1.173246e+06 -3.758390e+05 -1.149020e+054   2026-04-13  8.592027e+07 -7.356728e+07  1.594876e+08 -8.348566e+06 -4.594390e+05 -1.775310e+055   2026-04-14  9.031151e+07 -8.363566e+07  1.739472e+08 -1.166546e+07 -4.113270e+05 -1.627900e+04...

七、注意事项

1. MiniQMT 需提前启动：运行前确保 QMT 客户端已登录并连接行情
2. 数据下载需要时间：首次获取某股票的 Tick 数据会自动下载，可能需要几秒到几分钟
3. 时间转中国时区：Tick 数据的时间戳是 UTC，需要转换为 Asia/Shanghai
4. 中文字体：matplotlib 需设置中文字体，否则中文显示为方框

plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False

源码已经放到知识星球了，需要的自取。

星球福利

1、0基础学Python课程2、Python自动化办公课程3、公众号分享过的量化策略4、公众号分享过的量化工具5、专属星球微信交流群6、Python易错知识点7、小白量化花姐指点

粉丝福利

花姐文章用的行情源都是基于miniQMT的，所以强烈建议想做量化的朋友可以免费开通下。

花姐这里算得上是全网最低门槛了10万申请QMT量化交易软件！

费率优惠

• 1、A 股佣金：万0.854全佣包规费；
• 2、场内基金（封基\LOF\ETF）：万 0.5（支持公募 RE ITs）
• 3、可转债+债券：沪市万 0.5、深市万 0.5
• 4、融资融券：融资利率 4%起，按天收取利息（资金量大可申请下调）
• 5、支持同花顺、通达信登录。

费率调整后即永久~

添加下方微信，备注“花姐粉丝”才可以享受粉丝福利

👇关注+星标花姐公众号 第一时间看到推文👇

如果文章对你有帮助，还请点「推荐」支持一下花姐

---    End     ---