新闻详情

新闻详情

首页 / 资讯中心 / 详情

用Python抓取主力资金净流入:识别真吸筹还是假出货(附完整代码)

发布时间:2026/11/19 2:45:33来源:尧图网络
用Python抓取主力资金净流入:识别真吸筹还是假出货(附完整代码)
风险提示本文仅用于技术学习与策略验证不构成任何投资建议。股市有风险投资需谨慎。资金流数据基于公开交易统计口径多样、存在滞后与误差历史规律不代表未来表现请独立审慎决策。前言上一篇讲了主力资金流向的原理和坑。这篇直接落地用Python抓取每日主力资金净流入写一个能识别真吸筹还是假出货的量化判断脚本。你复制就能跑跑完你就掌握了一套去伪存真的资金流分析方法。一、思路怎么判断真吸筹还是假出货光看净流入不行我们把四个维度放在一起交叉判断维度健康吸筹信号危险出货信号资金流连续多日净流入单日大额净流入后转流出量价放量上涨放量滞涨/缩量上涨位置相对低位相对高位换手换手适中换手过高(疑似对倒)核心逻辑单一指标会骗人多维度交叉才靠谱。我们给每个维度打分合成一个吸筹可信度。二、环境准备pipinstallakshare pandasakshare免费覆盖A股资金流数据。接口若有变动以官方文档为准。三、完整代码可直接复制运行importpandasaspdimportnumpyasnp# ---------- 1. 抓取个股历史资金流 ----------defget_fund_flow(code600519): 获取个股每日主力资金净流入(单位:元) 返回日期、主力净流入、收盘价、成交量 importakshareasak dfak.stock_individual_fund_flow(stockcode,marketsh)# 字段示例日期 主力净流入-净额 收盘价 换手率 成交量 成交额dfdf.rename(columns{主力净流入-净额:main_net,收盘价:close,换手率:turnover,涨跌幅:pct_chg,})df[date]pd.to_datetime(df[日期])dfdf[[date,main_net,close,turnover,pct_chg]].sort_values(date)returndf# ---------- 2. 多维打分真吸筹 vs 假出货 ----------defscore_signal(df,lookback5): 基于最近 lookback 天做交叉判断返回吸筹可信度打分(0-100) dfdf.tail(lookback).copy()score50# 中性起点# 维度1资金持续性连续净流入加分df[net_pos]df[main_net]0consecutive_pos0forflaginreversed(df[net_pos].tolist()):ifflag:consecutive_pos1else:breakscoremin(consecutive_pos*5,15)# 最多15# 维度2量价配合放量上涨加分pct_chg_meandf[pct_chg].mean()main_net_sumdf[main_net].sum()ifpct_chg_mean0andmain_net_sum0:score10# 维度3位置判断距区间低点越近越像吸筹lowdf[close].min()highdf[close].max()pos_ratio(df[close].iloc[-1]-low)/max(high-low,1e-9)ifpos_ratio0.4:score10# 低位加分elifpos_ratio0.85:score-10# 高位警惕出货# 维度4换手过高疑似对倒turnover_meandf[turnover].mean()ifturnover_mean15:score-10returnround(max(0,min(score,100)),1)# ---------- 3. 结果解读 ----------definterpret(score):ifscore70:return真吸筹概率较高(可作研究观察不构成建议)elifscore50:return信号中性需结合基本面进一步验证else:return疑似高位出货/信号偏弱谨慎回避# ---------- 4. 主流程 ----------if__name____main__:codeinput(输入股票代码(如600519): )or600519dataget_fund_flow(code)scorescore_signal(data,lookback5)print(f\n{code}资金流吸筹可信度分析 )print(f可信度得分:{score}/100)print(f结论:{interpret(score)})print(\n最近5日资金流:)print(data.tail(5).to_string(indexFalse))四、代码逐段解读数据获取stock_individual_fund_flow拿个股逐日主力资金流统一重命名字段。持续性打分数最近连续几天净流入越连续得分越高——因为主力建仓是缓慢持续的不是一天的事。量价配合价格在涨、资金在流入才是健康组合价涨量不涨就要怀疑。位置判断低位的放量更可能是吸筹高位的放量更可能是出货。换手预警换手率过高警惕对倒制造的假象。五、这套代码能直接赚钱吗——不能但有用我必须诚实告诉你它不是选股神器而是一套过滤/验证工具。它帮你排除那些看着净流入、其实在出货的票把资金流信号从玄学变成可打分的客观判断作为多因子体系里的一个重要风控维度真正要提高胜率还得把它和**趋势、估值、舆情前几篇讲过**组合起来并经过样本外回测验证。六、进阶方向全市场扫描改成批量遍历所有股票选出高可信吸筹候选池接入龙虎榜结合龙虎榜席位数据看游资还是机构历史回测把高可信吸筹信号做成策略回测它的真实胜率结尾互动跑通了吗把你代码跑出来的可信度得分打在评论区看看你的票属于哪一类。下期继续安排硬核实战。风险提示本文为技术学习内容不构成任何投资建议。资金流分析存在局限与失效风险股市有风险入市需谨慎。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉