企业官网建设流程全解析

资金走势数据实战用zlzjzs接口构建主力散户分歧度因子 IG50免费开源股票数据API接口

资金流向数据大多只回答一个数字问题：净流入多少。但每笔成交都有买卖双方，净额把"谁在买、谁在卖"这层结构压没了。资金走势数据集把这层结构还给了我们：同一只票同时给出主力流入率和散户流入率两个对立角色的方向，分歧与共振都写在里面。这篇文章记录我把这份数据做成日内分歧度因子的全过程：字段解析、分歧结构提取、四个衍生特征、有效性检验，代码即生产版本。

数据源是资金走势，本地接口 time/zijin/zlzjzs/加股票代码，按时间戳递增返回当日序列，字段八个：t 时间戳、zdf 涨跌幅、lrzj 总流入资金、lczj 总流出资金、jlr 净流入、jlrl 净流入率、lrl 主力流入率、shlrl 散户流入率。注意它是日内时间序列而不是日度序列——每个时点一个快照，这让我们不仅能看一天的分歧终值，还能看分歧在全天的演化路径，这是它相对日度资金数据的核心增量。

第一步，读取与结构化。把字符串时间戳解析成可比较的类型，按 t 排序，并对字段做数值化。这个数据集的坑不多，但 lrl 和 shlrl 两个率字段偶有缺失值，统一向前填充后再计算。

importjsonimportpandasaspddefload_zlzjzs(fp:str)->pd.DataFrame:rows=json.loads(open(fp,encoding='utf-8').read())df=pd.DataFrame(rows)# 字段: t 时间 zdf 涨跌幅 lrzj 总流入 lczj 总流出# jlr 净流入 jlrl 净流入率 lrl 主力流入率 shlrl 散户流入率df['ts']=pd.to_datetime(df['t'])forcin['zdf','jlr','jlrl','lrl','shlrl']:df[c]=pd.to_numeric(df[c],errors='coerce')df=df.sort_values('ts').ffill().reset_index(drop=True)returndf

第二步，分歧结构提取。核心构造是分歧度 D：主力流入率与散户流入率的差值的绝对值，再乘方向符号得到有符号分歧。四个符号象限各有含义：主力正散户负是单边进攻，主力负散户正是派发结构，同正同负是共振，接近零是均衡。除了终值，我更看重两个过程特征：尾盘分歧（最后30分钟分歧度的均值，当日资金的最终表态）和分歧翻转次数（符号变更的次数，衡量全天多空拉锯的激烈程度）。

importnumpyasnpdefdivergence_features(df:pd.DataFrame)->dict:"""从资金走势序列提取分歧度特征"""d=df['lrl']-df['shlrl']# 有符号分歧tail=d[df['ts'].dt.strftime('%H:%M')>='14:30']flips=int((np.sign(d).diff().fillna(0)!=0).sum())return{'d_close':float(d.iloc[-1]),# 收盘分歧'd_tail':float(tail.mean())iflen(tail)elsenp.nan,'d_max':float(d.abs().max()),# 极端分歧'flips':flips,# 翻转次数'jlrl_close':float(df['jlrl'].iloc[-1]),}

第三步，因子化与检验。把四个特征转成可回测的截面因子，用最朴素的分层法检验：每日全市场按因子值十分组，看次日到五日收益的单调性。实测两个结论值得分享。其一，尾盘分歧 d_tail 的负值端有信息：尾盘主力流入率显著低于散户流入率（主力出、散户接）的组，次日表现系统性偏弱，这个方向的样本集中且稳定，是四个特征里唯一通过单调性检验的。其二，翻转次数 flips 单独看是噪音，但它是个好过滤器——flips 高的样本里任何资金因子的有效期都缩短，拉锯日的信号衰减比趋势日快，把它做成信号置信度的调节项比直接当因子用更合理。

defbuild_signal(df:pd.DataFrame)->dict:"""分歧度信号：尾盘派发结构识别"""f=divergence_features(df)distribution=f['d_tail']<-1.0# 主力出、散户接的派发形态return{**f,'distribution_flag':bool(distribution),'confidence':max(0.0,1.0-f['flips']/10.0)}# 拉锯降置信

第四步，批处理管线。全市场按日落盘的文件组织让批处理很轻：遍历代码、读文件、提特征、落库，一天一个批次。两个工程细节：一是尾盘切片的时间比较要用格式化后的 HH:MM 字符串，直接比较时间戳会受数据落盘延迟影响；二是 jlrl 与 d 的信息有重叠（净流入率是合流，分歧度是分流），检验时两者分开回测避免伪相关，最终生产信号里我把 jlrl 用作方向确认、分歧度用作结构确认，双确认的样本才进监控清单。管线里还加了一条数据卫兵：当日序列不足二十个快照的文件（停牌复牌、数据缺失）直接跳过并记入待补清单，半天的序列算出来的尾盘特征是断章取义，宁缺毋滥。

这套分歧度因子上线三个月，最大价值是把"资金面健康度"从一个模糊感觉变成了可排序的指标。盘后扫一遍派发形态清单，主力在悄悄递货的票一目了然；配合五日主力净额做时间维度确认，误报率还能再压一档。资金数据的下一层深度不在更细的颗粒，而在更完整的结构——净额只讲故事的一半，分歧度把另一半补上了。

本文用到的接口：资金走势 time/zijin/zlzjzs/加股票代码（字段 t、zdf、lrzj、lczj、jlr、jlrl、lrl 主力流入率、shlrl 散户流入率）。数据由本地引擎 ig50 落盘，日内序列按日归档、历史可回溯。

资料参考：ig50

gitee开源地址
github开源地址