示例1：获取某支股票某个交易日的筹码分布

import tushare as ts
pro = ts.pro_api()

df = pro.cyq_chips(ts_code='600000.SH', trade_date='20260723')
df

        ts_code        trade_date        price        percent
0        600000.SH        20260723        0.5        0.01
1        600000.SH        20260723        0.6        0.01
2        600000.SH        20260723        0.7        0.01
3        600000.SH        20260723        0.8        0.01
4        600000.SH        20260723        0.9        0.01
...        ...        ...        ...        ...
129        600000.SH        20260723        13.4        1.03
130        600000.SH        20260723        13.5        3.43
131        600000.SH        20260723        13.6        2.10
132        600000.SH        20260723        13.7        0.56
133        600000.SH        20260723        13.8        0.72
134 rows × 4 columns

一张标准的筹码分布图通常包含以下几个关键指标：

筹码分布图由无数根水平柱状条构成，每一根柱子代表

一个具体价位上的筹码数量（占比）

。柱子越长，说明该价位成交越密集、持仓的人越多。多个相邻的密集柱子会形成

——这是市场平均成本最集中的区域，也是重要的

是指当前股价以下（即买入成本低于当前市价）的筹码占总筹码的百分比。数值越大，说明市场上获利的人越多，但也意味着潜在的抛压可能越大。

是所有持仓筹码的加权平均价格，反映了市场整体的持仓成本水平。当股价高于平均成本时，市场整体处于盈利状态；反之则整体亏损。

这是筹码分布中最重要的两个定位指标：

衡量筹码分布在一个价格区间内的密集程度，数值越小说明筹码越集中。

是去掉价格最高5%和最低5%的“极端”筹码后，中间90%筹码所在区间的集中度。集中度小于10%通常被视为筹码高度密集的信号。

这两个区间越窄，说明筹码越集中；区间越宽，说明市场成本越分散。

import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import gridspec

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

def get_chips_data(pro, ts_code, trade_date):
    """获取筹码分布数据和当日收盘价"""
    df_chips = pro.cyq_chips(ts_code=ts_code, trade_date=trade_date)
    if df_chips.empty:
        raise ValueError(f"未获取到 {ts_code} 在 {trade_date} 的筹码数据")

    df_daily = pro.daily(ts_code=ts_code, trade_date=trade_date)
    if df_daily.empty:
        raise ValueError(f"未获取到 {ts_code} 在 {trade_date} 的日线行情")
    close = df_daily.iloc[0]['close']

    return df_chips, close

def calc_cost_percentile(df_sorted, p):
    """计算累计筹码占比达到 p% 对应的价格（线性插值）"""
    cumsum = np.cumsum(df_sorted['percent'].values)
    if p <= 0:
        return df_sorted.iloc[0]['price']
    if p >= 100:
        return df_sorted.iloc[-1]['price']

    idx = np.searchsorted(cumsum, p)
    if idx == 0:
        return df_sorted.iloc[0]['price']
    if idx >= len(df_sorted):
        return df_sorted.iloc[-1]['price']

    price_low = df_sorted.iloc[idx-1]['price']
    price_high = df_sorted.iloc[idx]['price']
    cum_low = cumsum[idx-1]
    cum_high = cumsum[idx]
    if cum_high == cum_low:
        return price_low
    return price_low + (price_high - price_low) * (p - cum_low) / (cum_high - cum_low)

def plot_chips(ts_code, trade_date,
               p_low=5, p_high=95,
               p_low_70=15, p_high_70=85,
               display_p_low=0, display_p_high=100,
               min_percent_filter=0.0):
    """
    绘制筹码分布图（水平柱状图）

    参数：
        ts_code: 股票代码，如 '000001.SZ'
        trade_date: 交易日期，格式 'YYYYMMDD'
        token: Tushare token（可选）
        p_low: 90%区间下轨百分位（默认5）
        p_high: 90%区间上轨百分位（默认95）
        p_low_70: 70%区间下轨百分位（默认15）
        p_high_70: 70%区间上轨百分位（默认85）
        display_p_low: 显示下限百分位（默认0）
        display_p_high: 显示上限百分位（默认100）
        min_percent_filter: 过滤筹码占比低于此值的价格点（默认0.0）
    """
    pro = ts.pro_api()

    # 获取全量数据
    df_full, close = get_chips_data(pro, ts_code, trade_date)
    if min_percent_filter > 0:
        df_full = df_full[df_full['percent'] >= min_percent_filter]
    df_full = df_full.sort_values('price').reset_index(drop=True)
    prices_full = df_full['price'].values
    percents_full = df_full['percent'].values

    # ---- 1. 计算各项指标（基于全量数据） ----
    # 平均成本
    avg_cost = np.sum(prices_full * percents_full) / 100.0

    # 获利比例
    profit_ratio = np.sum(percents_full[prices_full <= close])

    # 90% 和 70% 筹码区间
    low_90 = calc_cost_percentile(df_full, p_low)
    high_90 = calc_cost_percentile(df_full, p_high)
    low_70 = calc_cost_percentile(df_full, p_low_70)
    high_70 = calc_cost_percentile(df_full, p_high_70)

    range_90 = high_90 - low_90
    range_70 = high_70 - low_70
    overlap_ratio = range_70 / range_90 if range_90 > 0 else np.nan
    concentration_90 = (high_90 - low_90) / (high_90 + low_90) if (high_90 + low_90) > 0 else np.nan

    # 支撑位 = 获利盘的平均成本（价格 < 收盘价的筹码加权均价）
    profit_mask = prices_full < close
    if np.any(profit_mask):
        profit_prices = prices_full[profit_mask]
        profit_percents = percents_full[profit_mask]
        if np.sum(profit_percents) > 0:
            support = np.sum(profit_prices * profit_percents) / np.sum(profit_percents)
        else:
            support = prices_full[0]  # 无有效获利筹码时，取最低价
    else:
        support = prices_full[0]  # 全部套牢，最低价为支撑

    # 压力位 = 套牢盘的平均成本（价格 > 收盘价的筹码加权均价）
    loss_mask = prices_full > close
    if np.any(loss_mask):
        loss_prices = prices_full[loss_mask]
        loss_percents = percents_full[loss_mask]
        if np.sum(loss_percents) > 0:
            resistance = np.sum(loss_prices * loss_percents) / np.sum(loss_percents)
        else:
            resistance = prices_full[-1]  # 无有效套牢筹码时，取最高价
    else:
        resistance = prices_full[-1]  # 全部获利，最高价为压力

    # ---- 2. 准备绘图数据（仅用于显示） ----
    price_min_display = calc_cost_percentile(df_full, display_p_low)
    price_max_display = calc_cost_percentile(df_full, display_p_high)

    mask = (df_full['price'] >= price_min_display) & (df_full['price'] <= price_max_display)
    if min_percent_filter > 0:
        mask = mask & (df_full['percent'] >= min_percent_filter)
    df_display = df_full[mask].copy()

    if df_display.empty:
        print("警告：应用显示过滤后无数据可绘，将显示全部数据")
        df_display = df_full.copy()

    prices_display = df_display['price'].values
    percents_display = df_display['percent'].values

    # ---- 3. 绘制 ----
    fig = plt.figure(figsize=(14, 8))
    gs = gridspec.GridSpec(1, 2, width_ratios=[0.7, 0.3])
    ax = plt.subplot(gs[0])

    # 柱子高度
    if len(prices_display) > 1:
        gaps = np.diff(prices_display)
        min_gap = np.min(gaps)
        if min_gap == 0:
            min_gap = (prices_display[-1] - prices_display[0]) / max(1, len(prices_display)-1)
        bar_height = min_gap
    else:
        bar_height = 0.01

    # 颜色
    colors = []
    for p in prices_display:
        if p > close:
            colors.append('green')
        elif p < close:
            colors.append('red')
        else:
            colors.append('gray')

    ax.barh(
        y=prices_display,
        width=percents_display,
        height=bar_height,
        color=colors,
        edgecolor='none',
        alpha=0.8
    )

    # ---- 4. 标注线（使用新的支撑位和压力位） ----
    ax.axhline(y=avg_cost, color='blue', linestyle='--', linewidth=1.5, label=f'平均成本 {avg_cost:.2f}')
    ax.axhline(y=support, color='orange', linestyle='-.', linewidth=1.5, label=f'支撑位 {support:.2f} (获利盘均价)')
    ax.axhline(y=resistance, color='purple', linestyle='-.', linewidth=1.5, label=f'压力位 {resistance:.2f} (套牢盘均价)')
    ax.axhline(y=close, color='black', linestyle='-', linewidth=0.8, alpha=0.5, label=f'收盘价 {close:.2f}')

    ax.set_xlabel('筹码占比 (%)', fontsize=16)
    ax.set_ylabel('价格 (元)', fontsize=16)
    ax.set_title(f'{ts_code} 筹码分布图 ({trade_date})', fontsize=20)
    ax.grid(True, axis='x', alpha=0.3, linestyle=':')
    ax.tick_params(axis='both', labelsize=14)
    ax.legend(loc='upper right', fontsize=14)
    ax.yaxis.set_major_formatter(plt.FormatStrFormatter('%.2f'))

    # ---- 5. 右侧指标文本 ----
    ax_text = plt.subplot(gs[1])
    ax_text.axis('off')
    text_lines = [
        "【成本指标】",
        f"获利比例: {profit_ratio:.2f}%",
        f"压力位: {resistance:.2f}",
        f"平均成本: {avg_cost:.2f}",
        f"支撑位: {support:.2f}",
        "",
        "【集中度指标】",
        f"90%筹码区间: [{low_90:.2f}, {high_90:.2f}]",
        f"70%筹码区间: [{low_70:.2f}, {high_70:.2f}]",
        f"区间重合度: {overlap_ratio:.2%}" if not np.isnan(overlap_ratio) else "区间重合度: --",
        f"90%筹码集中度: {concentration_90:.2%}" if not np.isnan(concentration_90) else "90%筹码集中度: --"
    ]

    y_pos = 0.95
    for line in text_lines:
        ax_text.text(0.1, y_pos, line, fontsize=16, verticalalignment='top')
        y_pos -= 0.06

    plt.tight_layout()
    plt.show()

    # 返回所有指标
    return {
        'avg_cost': avg_cost,
        'profit_ratio': profit_ratio,
        'support': support,
        'resistance': resistance,
        'low_90': low_90,
        'high_90': high_90,
        'low_70': low_70,
        'high_70': high_70,
        'overlap_ratio': overlap_ratio,
        'concentration_90': concentration_90
    }

# ========== 使用示例 ==========
if __name__ == "__main__":
    plot_chips('000001.SZ', '20260723',
           display_p_low=2, display_p_high=98,
           min_percent_filter=0.01)

本文旨在对Tushare的每日筹码分布

数据接口进行介绍，提供更多参考示例和使用说明。

通过本接口可获取A股每日的筹码分布情况，提供各价位占比。本文介绍了如何获取某支股票某个交易日的筹码分布，介绍了标准筹码分布图中的关键指标，以及绘制了一张筹码分布图。

本文目的是为了让用户和AIGC工具能够更便捷、准确地使用该接口。大家在使用过程中遇到什么问题和建议可在线留言，作者会进行数据探索将结果更新到文章中，并将建议反馈给Tushare团队。本文另一个目的也是为了聚集大家的智慧以创建“我为人人，人人为我”的共创氛围。

通过传递ts_code可用于指定特定的股票，传递trade_date可用于指定交易日期。

Tushare接口文档：每日筹码分布（cyq_chips）

本文旨在对Tushare的每日筹码分布`cyq_chips`数据接口进行介绍，提供更多参考示例和使用说明。
通过本接口可获取A股每日的筹码分布情况，提供各价位占比。本文介绍了如何获取某支股票某个交易日的筹码分布，介绍了标准筹码分布图中的关键指标，以及绘制了一张筹码分布图。

首席数据运营官

大数据

编程语言

获取A股每日筹码分布数据，支持查询各价位持仓占比。提供Python调用示例，包含筹码峰、获利比例、支撑压力位等关键指标分析，帮助投资者判断市场成本分布。数据最早可追溯至2018年，每日18-21点更新。

数据接口

2026上云采购 | AI焕新·智启新局

bigdata-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Tushare接口文档：每日筹码分布（cyq_chips）

Tushare接口文档：每日筹码分布（cyq_chips）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐