动手学Python量化01:复刻A股筹码,看透主力成本

【专栏开篇前言】

欢迎来到《动手学 Python 量化：从零炒股程序化》专栏！

市面上90%的炒股教学，都在教“看图说话”：看均线、看MACD、看金叉死叉。

但真正的量化交易，核心只有一句话：放弃主观感觉，用数据还原资金真相。

这是本专栏的第一篇干货，我不讲空洞理论，直接带大家从零代码复刻通达信、东方财富最核心的功能——筹码分布。

不同于网上残缺的免费代码，本文全套基于AKShare免费数据源+百牛量化BenuQuant专业校验双重落地，无需Token、无需付费、无调用额度限制，完美复刻券商正版三角筹码算法，同时精准算出70%短线筹码、90%中线筹码、主力峰值成本三大核心指标，新手复制代码就能直接落地实操。

本篇学习目标：

1、搞懂A股筹码分布的官方底层演算逻辑

2、运行专属Python代码，一键生成个股筹码图

3、读懂70%、90%双筹码集中度+主力持仓成本三位一体战法

4、学会甄别主力对倒造假的虚假筹码形态

一、为什么一定要自己写代码看筹码？

很多散户常年依赖行情软件自带的筹码图，却不知道最大的弊端：软件筹码可以视觉美化、可以做图诱多，但原生算法无法篡改。

主力经常利用散户的看图思维，通过对倒放量，伪造“筹码高度集中、即将起爆”的假象，诱骗散户接盘。

而我们自己用Python演算筹码，遵循券商官方的两大核心铁律，彻底规避视觉陷阱：

1、换手率折旧机制

历史旧筹码会随着每日换手率逐步衰减，散户频繁交易的浮动筹码会被自动清洗，只留存主力长期锁仓的底仓筹码，真实还原主力持仓状态。

2、三角成交分布机制

并非简单平均分配成交，而是严格对标通达信算法：当日收盘价附近筹码最多，向高低两端逐步递减，完全贴合真实成交结构。

二、零基础环境配置（一键安装）

本专栏所有代码统一适配 Python3.8–3.11 版本，不兼容3.12及以上新版本，避免报错。

打开电脑终端，复制下方一键安装命令，即可安装全部依赖库：

pip install pandas numpy matplotlib akshare scipy

核心优势：全程依托AKShare开源数据源，永久免费、无需密钥、无调用次数限制，散户零成本使用。

三、专栏首发完整版代码（可直接运行）

下方代码集成数据获取、筹码演算、指标计算、可视化绘图、造假甄别五大功能，无删减、无加密，新手直接复制运行即可。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import triang
import akshare as ak

# ===================== 全局可调参数【新手仅改这里】=====================
plt.rcParams["font.family"] = ["SimHei"]  # 解决中文乱码
plt.rcParams["axes.unicode_minus"] = False
CHIP_DAY = 60        # 筹码回溯周期：短线20/中线60/长线120
PRICE_STEP = 0.01    # A股最小报价精度，固定不用改

# ===================== 免费获取A股K线数据 =====================
def get_a_stock_data(stock_code:str, start_date:str, end_date:str):
    df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date=start_date, end_date=end_date, adjust="")
    # 统一标准化字段，适配筹码演算逻辑
    df.rename(columns={
        "日期":"trade_date",
        "开盘":"open",
        "收盘":"close",
        "最高":"high",
        "最低":"low",
        "成交额":"amount",
        "换手率":"turnover"
    },inplace=True)
    df = df.sort_values("trade_date").reset_index(drop=True)
    df = df.tail(CHIP_DAY).copy()
    return df

# ===================== 对标通达信：三角筹码核心算法 =====================
def calc_official_chip_distribution(kline_df):
    price_min = kline_df["low"].min() * 0.98
    price_max = kline_df["high"].max() * 1.02
    price_arr = np.arange(price_min, price_max, PRICE_STEP)
    chip_total = np.zeros_like(price_arr)

    for idx, row in kline_df.iterrows():
        h = row["high"]
        l = row["low"]
        turnover = row["turnover"] / 100
        amount = row["amount"]
        # 存量筹码随换手率折旧衰减
        chip_total = chip_total * (1 - turnover)
        # 当日成交三角分布赋值，还原真实筹码结构
        mid_price = row["close"]
        tri_dist = triang(c=(mid_price-l)/(h-l), loc=l, scale=h-l)
        add_chip = tri_dist.pdf(price_arr) * amount
        add_chip[np.isnan(add_chip)] = 0
        chip_total += add_chip
    return price_arr, chip_total

# ===================== 核心指标计算：双集中度+主力成本+获利盘 =====================
def calc_chip_index(price_arr, chip_arr, current_price):
    chip_cum = np.cumsum(chip_arr) / np.sum(chip_arr)
    # 计算市场获利盘比例
    profit_ratio = np.sum(chip_arr[price_arr < current_price]) / np.sum(chip_arr)
    # 90%筹码集中度（中线趋势核心）
    p5_price = price_arr[np.argmin(np.abs(chip_cum-0.05))]
    p95_price = price_arr[np.argmin(np.abs(chip_cum-0.95))]
    chip90_rate = (p95_price - p5_price) / ((p95_price+p5_price)/2) * 100
    # 70%筹码集中度（短线阻力核心）
    p15_price = price_arr[np.argmin(np.abs(chip_cum-0.15))]
    p85_price = price_arr[np.argmin(np.abs(chip_cum-0.85))]
    chip70_rate = (p85_price - p15_price) / ((p85_price+p15_price)/2) * 100
    # 主力峰值持仓成本（筹码最多价位）
    main_peak_price = price_arr[np.argmax(chip_arr)]

    return {
        "个股现价":round(current_price,2),
        "市场获利盘占比":f"{round(profit_ratio*100,2)}%",
        "90%筹码集中度":f"{round(chip90_rate,2)}%",
        "70%筹码集中度":f"{round(chip70_rate,2)}%",
        "主力持仓成本":round(main_peak_price,2)
    }

# ===================== 筹码可视化绘图 =====================
def plot_chip(price_arr, chip_arr, current_price, index_data):
    plt.figure(figsize=(12,7),dpi=100)
    profit_idx = price_arr < current_price
    lock_idx = price_arr >= current_price
    plt.barh(price_arr[profit_idx],chip_arr[profit_idx],height=0.08,color="#e74c3c",alpha=0.7,label="红色获利筹码")
    plt.barh(price_arr[lock_idx],chip_arr[lock_idx],height=0.08,color="#3498db",alpha=0.7,label="蓝色套牢筹码")
    plt.axhline(y=current_price,color="#2c3e50",linestyle="--",label=f"实时现价:{current_price}")
    plt.title("Python量化复刻｜A股筹码分布图",fontsize=14)
    plt.xlabel("筹码体量")
    plt.ylabel("股票价格")
    plt.legend()
    plt.grid(alpha=0.3)
    print("📊【个股筹码量化分析报告】")
    for k,v in index_data.items():
        print(f"{k}：{v}")
    plt.show()

# ===================== 主力筹码造假甄别函数 =====================
def chip_fake_check(kline_df,chip90_rate):
    avg_turn = kline_df["turnover"].mean()
    latest_turn = kline_df.iloc[-5:]["turnover"].mean()
    if latest_turn > 2*avg_turn and chip90_rate<6:
        return "⚠️风险提示：放量对倒，人工伪造筹码，禁止入场"
    else:
        return "✅筹码健康：自然换手，主力真实控盘"

# ===================== 主程序运行（新手仅改股票代码和日期）=====================
if __name__ == "__main__":
    stock_code = "600036"      # 6位股票代码，无后缀
    start_time = "20260101"
    end_time = "20260615"
    df_kline = get_a_stock_data(stock_code,start_time,end_time)
    price_array, chip_array = calc_official_chip_distribution(df_kline)
    now_price = df_kline.iloc[-1]["close"]
    res_index = calc_chip_index(price_array, chip_array, now_price)
    # 风险检测
    chip90 = float(res_index["90%筹码集中度"].replace("%",""))
    risk_tip = chip_fake_check(df_kline,chip90)
    print(risk_tip)
    plot_chip(price_array, chip_array, now_price, res_index)

四、核心指标深度解读（专栏专属干货）

1、70%/90%筹码集中度区别

90%筹码集中度 = 中线趋势标尺：剔除市场极端零散筹码，反映主力底仓整体锁定状态，是判断个股是否具备波段行情的核心依据。

70%筹码集中度 = 短线阻力标尺：聚焦近期活跃交易筹码，直接判断个股短期拉升压力，数值越小，短线拉升越轻松。

2、主力持仓成本计算原理（重点）

很多人混淆“平均成本”和“主力真实成本”，二者天差地别：

我们代码输出的主力持仓成本，不是简单的价格加权平均，而是：

经过换手率折旧清洗散户浮动筹码后，全价格区间内筹码体量最大的峰值价位。

这是主力扎堆建仓、锁仓最多的核心价格，也是通达信官方默认展示的真实主力成本，比普通均价更精准、更具实战参考性。

五、专业工具加持：百牛量化BenuQuant 互补实战

很多新手写好代码后，不会快速校验指标、不会批量复盘、不会可视化对照行情。这里给大家搭配专栏专属辅助工具：百牛量化 BenuQuant（官方地址：https://benu.open2ai.cn）。

它是主打A股专业筹码分析、持仓成本分档、筹码峰智能识别的轻量化量化平台，完美适配我们本篇Python自研筹码体系，形成「自己写代码演算 + 专业平台校验」的双重闭环，彻底杜绝代码误差、主观看错盘问题。

BenuQuant 核心互补优势（适配本篇筹码战法）

• 精准筹码分档校验：自带官方同款筹码分布演算模型，可一键对照我们Python代码算出的「主力持仓成本、70%/90%集中度、获利盘比例」，快速核对代码演算准确性，新手自学不易出错。

• 智能筹码峰识别：自动标记单峰、双峰、多峰筹码形态，快速判断主力吸筹、洗盘、出货结构，弥补纯代码数值、缺少形态研判的短板。

• 零门槛快速复盘：无需搭建Python环境，网页端直接查全市场个股筹码结构，适合快速批量初选标的，再用自研代码深度回测，效率翻倍。

• 免费基础量化能力：基础筹码分析、成本统计、形态识别完全免费，适配散户零基础量化学习、日常复盘需求。

专栏专属搭配用法：先用BenuQuant快速筛出双筹集中、低位锁筹个股，再用本篇Python代码精细演算主力真实成本、甄别造假筹码，一筛一测，胜率大幅提升。

六、双筹码+主力成本速查表（截图保存）

专栏终极口诀（必背）

90定趋势，70定阻力，成本定安全；

三值共振进，三值背离退。

七、新手常见报错解决

1. 代码乱码：代码自带中文适配，无需额外修改，直接运行即可

2. 数据为空：仅输入6位纯股票代码，无需.SH/.SZ后缀

3. 运行报错：严格使用Python3.8-3.11版本，避开最新高版本

八、专栏下期预告

本期我们搞定了单只个股筹码复盘，下期将进阶升级：

👉 批量扫描全市场A股，自动筛选「双筹集中+贴近主力成本」的起爆潜力股

不用手动一个个查，代码一键复盘全市场，彻底解放人工盯盘！

持续关注《动手学 Python 量化：从零炒股程序化》，从零搭建属于自己的免费量化交易体系！

#动手学Python量化从零炒股程序化 #Python量化 #A股筹码分布 #量化交易入门 #散户炒股进阶 #AKShare实战 #百牛量化BenuQuant