别再只看K线了！用Python自制‘获利盘比例’指标，给你的量化策略加个‘透视挂’

用Python构建筹码分布透视器：量化策略中的获利盘比例实战

在量化交易的世界里，技术指标如同战场上的望远镜，而获利盘比例则是其中常被忽视却极具价值的特殊镜头。当大多数交易者还在盯着MACD金叉死叉时，聪明的策略开发者已经开始利用筹码分布数据捕捉市场情绪的温度计。本文将带你从零构建一个Python版的winner函数，并将其转化为策略中的决策利器。

1. 理解筹码分布与获利盘比例的核心逻辑

筹码分布理论源于一个简单却深刻的观察：股票价格的波动本质上是持有成本不同的投资者之间博弈的结果。获利盘比例（即winner函数返回值）反映了在当前价格下，市场中处于盈利状态的持仓比例。

1.1 筹码分布的计算原理

筹码估算的核心是换手率衰减模型，其基本假设包括：

• 每日成交量的价格代表新进持仓的成本
• 历史持仓会按照换手率比例逐步被替换
• 未被替换的持仓将保留其原始成本

以一个三天的简化案例说明：

计算第3天获利盘比例时，假设当前收盘价为12元：

• 10元持仓：全部亏损（560万）
• 11元持仓：全部盈利（140万）
• 12元持仓：盈亏平衡（300万）
• 获利比例= 盈利持仓/(总持仓) = 140/(560+140+300) = 14%

1.2 Python实现关键步骤

以下是计算获利盘比例的核心代码框架：

def calculate_profit_ratio(df, current_price): """ 计算当前价格下的获利比例 :param df: 包含换手率、均价的DataFrame :param current_price: 当前收盘价 :return: 获利比例(0-1之间) """ # 计算每日持仓留存因子 df['retention_factor'] = (1 - df['turnover']).cumprod() # 计算各价格区间的筹码分布 df['chips'] = df['turnover'] * df['retention_factor'].shift(1, fill_value=1) # 筛选盈利筹码 profitable_chips = df[df['mean_price'] < current_price]['chips'].sum() return profitable_chips / df['chips'].sum()

注意：实际实现需要考虑停牌日处理、复权因子等细节，此处为简化示例

2. 构建完整的winner函数实现

2.1 数据准备与预处理

完整的实现需要以下市场数据：

• 每日成交量（volume）
• 每日成交金额（amount）
• 换手率数据（turnover_rate）

import pandas as pd def prepare_market_data(context, end_date, lookback=250): """ 准备计算所需的市场数据 :param context: 交易上下文(如Qlib的ContextInfo) :param end_date: 计算截止日期 :param lookback: 回溯天数 :return: 处理好的DataFrame """ # 获取基础市场数据 df = context.get_market_data( ['volume', 'amount'], stock_code=context.get_universe(), period='1d', end_time=end_date, count=lookback ) # 计算均价并过滤零成交量日 df = df[df['volume'] > 0] df['mean_price'] = df['amount'] / df['volume'] / 100 # 获取换手率数据 turnover = context.get_turnover_rate( context.get_universe(), start_date=df.index[0], end_date=df.index[-1] ) df['turnover'] = turnover.iloc[:, 0].values return df

2.2 核心计算逻辑优化

为提高计算效率，我们采用向量化计算替代原始代码中的循环：

def calculate_winner(df, current_price): """ 向量化计算获利比例 :param df: 预处理后的市场数据 :param current_price: 当前收盘价 :return: 获利比例 """ # 计算每日留存因子 df['retention'] = (1 - df['turnover']).cumprod() # 计算每日新增筹码权重 df['new_chips_weight'] = df['turnover'] * df['retention'].shift(1, fill_value=1) # 计算总筹码和盈利筹码 total_chips = df['new_chips_weight'].sum() profitable_chips = df[df['mean_price'] < current_price]['new_chips_weight'].sum() return profitable_chips / total_chips if total_chips > 0 else 0

2.3 完整winner函数实现

将各部分组合成可直接调用的函数：

def winner(context, close_series, lookback=250): """ 完整版winner函数实现 :param context: 交易上下文 :param close_series: 收盘价序列 :param lookback: 回溯天数 :return: 获利比例序列 """ results = [] dates = close_series.index for i in range(1, len(dates)): current_date = dates[i] current_close = close_series.iloc[i] # 准备数据 df = prepare_market_data(context, current_date, lookback) if len(df) > 0: # 计算获利比例 ratio = calculate_winner(df, current_close) results.append(ratio) else: results.append(0) return pd.Series(results, index=dates[1:])

3. 策略集成与回测验证

3.1 基础择时策略设计

一个简单的获利盘比例策略逻辑：

1. 当获利比例低于20%时买入（市场超卖）
2. 当获利比例高于80%时卖出（市场超买）
3. 其他情况持有或空仓

def winner_strategy(context, close): # 计算获利比例 profit_ratio = winner(context, close) # 生成交易信号 signals = pd.Series(0, index=close.index) signals[profit_ratio < 0.2] = 1 # 买入信号 signals[profit_ratio > 0.8] = -1 # 卖出信号 return signals

3.2 与经典指标结合的策略增强

将获利比例与RSI指标结合可以过滤假信号：

def enhanced_strategy(context, close, rsi_window=14): # 计算获利比例 profit_ratio = winner(context, close) # 计算RSI delta = close.diff() gain = delta.where(delta > 0, 0) loss = -delta.where(delta < 0, 0) avg_gain = gain.rolling(window=rsi_window).mean() avg_loss = loss.rolling(window=rsi_window).mean() rs = avg_gain / avg_loss rsi = 100 - (100 / (1 + rs)) # 生成增强信号 signals = pd.Series(0, index=close.index) signals[(profit_ratio < 0.3) & (rsi < 30)] = 1 signals[(profit_ratio > 0.7) & (rsi > 70)] = -1 return signals

3.3 回测结果分析

在沪深300成分股上测试2015-2023年的表现：

提示：实际应用中需考虑交易成本、滑点等因素，此处为简化回测结果

4. 高级应用与注意事项

4.1 动态阈值优化

固定阈值(如30%/70%)可能不适应所有市场环境。可采用动态阈值确定方法：

def dynamic_threshold(profit_ratio, window=120): """ 计算动态阈值 :param profit_ratio: 历史获利比例序列 :param window: 滚动窗口 :return: (lower_threshold, upper_threshold) """ rolling_mean = profit_ratio.rolling(window).mean() rolling_std = profit_ratio.rolling(window).std() lower = rolling_mean - 1.5 * rolling_std upper = rolling_mean + 1.5 * rolling_std return lower.clip(0.05, 0.4), upper.clip(0.6, 0.95)

4.2 筹码分布形态分析

除了获利比例，筹码分布形态本身也包含重要信息：

• 单峰形态：筹码集中，趋势可能持续
• 双峰形态：筹码分散，可能出现震荡
• 多峰形态：历史套牢盘多，上涨阻力大

def analyze_chips_distribution(df, current_price): """ 分析筹码分布形态 :param df: 筹码分布数据 :param current_price: 当前价格 :return: 形态分类字符串 """ price_bins = pd.cut(df['mean_price'], bins=20) chips_dist = df.groupby(price_bins)['chips'].sum() peak_count = len(find_peaks(chips_dist.values)[0]) if peak_count == 1: return "单峰形态" elif peak_count == 2: return "双峰形态" else: return "多峰形态"

4.3 局限性及应对方案

获利盘比例指标存在一些固有局限：

1. 估算误差：无法获取真实持仓数据

   • 解决方案：结合成交量加权计算提高准确性

2. 滞后性：基于历史数据计算

   • 解决方案：使用更短的回看周期(如60日)

3. 市场结构变化：注册制下筹码分布规律可能改变

   • 解决方案：定期重新校准参数

在实际项目中，我发现将获利比例与量价背离结合使用效果最佳。当价格创新高但获利比例下降时，往往预示着趋势反转。这种组合信号在过去5年的测试中，成功捕捉了多次重大转折点。