量化数据-个股资金流历史

本文介绍如何通过PandaStock接口获取个股历史资金流历史数据以及在两户中的应用

项目地址：https://gitcode.com/ascegu/stock_data_source/tree/main

个股资金流包含以下数据项：

string date = 2; // 日期 // 总体表现 float change_percent = 5; // 涨跌幅(%) double turnover_amount = 6; // 成交额(万元) double main_net_inflow = 7; // 主力净流入金额(万元) float main_net_inflow_ratio = 8; // 主力资金净流入比率(%) // 超大单数据 double super_large_buy_amount = 9; // 超大单买入金额(万元) double super_large_buy_volume = 10; // 超大单买入量(万股) double super_large_buy_avg_price = 11; // 超大单买入均价(元) double super_large_sell_amount = 12; // 超大单卖出金额(万元) double super_large_sell_volume = 13; // 超大单卖出量(万股) double super_large_sell_avg_price = 14; // 超大单卖出均价(元) double super_large_net_buy_amount = 15; // 超大单净买入金额(万元) // 大单数据 double large_buy_amount = 16; // 大单买入金额(万元) double large_buy_volume = 17; // 大单买入量(万股) double large_buy_avg_price = 18; // 大单买入均价(元) double large_sell_amount = 19; // 大单卖出金额(万元) double large_sell_volume = 20; // 大单卖出量(万股) double large_sell_avg_price = 21; // 大单卖出均价(元) double large_net_buy_amount = 22; // 大单净买入金额(万元) // 中单数据 double medium_buy_amount = 23; // 中单买入金额(万元) double medium_buy_volume = 24; // 中单买入量(万股) double medium_buy_avg_price = 25; // 中单买入均价(元) double medium_sell_amount = 26; // 中单卖出金额(万元) double medium_sell_volume = 27; // 中单卖出量(万股) double medium_sell_avg_price = 28; // 中单卖出均价(元) double medium_net_buy_amount = 29; // 中单净买入金额(万元) // 小单数据 double small_buy_amount = 30; // 小单买入金额(万元) double small_buy_volume = 31; // 小单买入量(万股) double small_buy_avg_price = 32; // 小单买入均价(元) double small_sell_amount = 33; // 小单卖出金额(万元) double small_sell_volume = 34; // 小单卖出量(万股) double small_sell_avg_price = 35; // 小单卖出均价(元) double small_net_buy_amount = 36; // 小单净买入金额(万元)

以下是基于您提供的个股历史资金流数据结构，在量化投资领域中的核心应用描述：

一、 核心逻辑：洞察市场参与者行为

这组数据的本质是将市场交易按委托单大小和资金性质进行分类（超大单、大单、中单、小单），从而清晰揭示不同市场参与者（如机构主力、大户、中户、散户）的买卖行为和博弈格局。量化策略的核心在于识别并跟随“聪明钱”（通常指超大单、大单所代表的机构主力），并规避“散户陷阱”。

二、 主要应用方向

1. 主力资金动向监控与择时

• 识别主力建仓/出货：通过分析main_net_inflow（主力净流入）和main_net_inflow_ratio（净流入比率）的连续性与幅度，结合价格走势（change_percent），判断主力是在底部持续吸筹还是在拉高出货。例如，股价横盘或微跌，但出现连续多日的主力净流入，可能预示潜在拉升。

• 验证突破的有效性：当股价放量（turnover_amount增大）突破关键价位时，若伴随显著的super_large_net_buy_amount（超大单净买入），则突破的有效性和可持续性更高。

2. 构建多空强度指标与Alpha因子

• 资金流强度因子：计算(超大单净买入 + 大单净买入) / 成交额，用于衡量“聪明钱”的集中攻击力度。该因子可作为选股或权重分配的正面Alpha因子。

• 散户逆向因子：small_net_buy_amount（小单净买入）常被用作反向指标。当小单净买入激增而股价滞涨时，可能是市场情绪过热、行情接近短顶的信号。

• 内外盘博弈比：利用各档位的买入/卖出金额（如super_large_buy_amountvssuper_large_sell_amount），构造“主动买入强度”指标，捕捉微观订单流的不平衡。

3. 量价与资金流的背离分析

• 顶背离：股价（change_percent）创出新高，但主力资金净流入（main_net_inflow）或超大单净流入强度减弱甚至转为流出，预示上涨动能衰竭，是重要的风险预警信号。

• 底背离：股价持续下跌或创新低，但主力资金净流出放缓或开始转为净流入，尤其超大单出现隐蔽性买入，可能预示着底部临近。

4. 交易行为模式识别

• “机构抢筹”模式：某日super_large_buy_amount异常放大，且super_large_buy_avg_price接近或高于当日均价，表明机构不惜成本买入，后市看好。

• “对倒出货”模式：超大单或大单的买入和卖出金额（*_buy_amount和*_sell_amount）同时巨大，造成成交活跃（turnover_amount大）的假象，但净流入（*_net_buy_amount）很小，价格却不上涨，需警惕主力对倒吸引跟风盘后出货。

5. 流动性分析与冲击成本评估

• 通过分析各档位的*_buy_volume和*_sell_volume，可以评估市场在不同价格深度的流动性。这对于大资金执行算法交易、控制冲击成本至关重要。

三、 一个典型的策略流程示例

1. 选股池筛选：全市场扫描，选取近期main_net_inflow_ratio持续为正且呈上升趋势的股票。

2. 买入信号确认：

   • 股价处于中期均线以上。

   • 当日出现明显的super_large_net_buy_amount峰值。

   • small_net_buy_amount为负或很小（散户未大幅跟风）。

   • 成交量（turnover_amount）较前期均值放大。

3. 持仓监控：持仓期间，持续监控主力资金是否持续流入或至少未大幅流出。若出现main_net_inflow连续2-3日大幅流出，则作为减仓或止损信号。

4. 卖出信号：

   • 股价达到目标位，且出现“顶背离”或超大单开始净卖出。

   • 或触发移动止损。