# Agent驱动的筹码分布解读系统用LLM翻译主力成本迁移 IG50免费开源股票数据API接口

筹码分布是技术分析里少数真正"有信息量"的指标：它把每个价位上堆积的持仓成本画成一张山形图，获利比例、成本区间、集中度全部一目了然。但这个指标的阅读门槛不低——同一张筹码图，老手能看出主力成本重心在三个月里悄悄上移，新手只看到几座山。我最近做的这个系统，就是让 Agent 盯着筹码分布的时间序列，把"主力成本迁移"这件事用自然语言翻译出来：成本中枢往哪儿移、集中度是收缩还是发散、获利盘在什么位置被反复清洗。数字归代码算，语义归模型讲。

数据层用的是筹码分布接口，本地路径 time/cmfb/加股票代码，按日返回数组，字段六个：d 日期、hlbl 获利比例百分比、jd90 九成成本集中度（数值越小筹码越集中）、qj90 九成成本区间（低到高的价格带）、jd70 七成核心筹码集中度、qj70 七成成本区间。这六个字段的时间序列，就是整套解读系统的全部原料——够用，关键在于怎么把序列变成特征。

第一步，特征工程。从原始序列里提取四类特征：获利比例的趋势与波动（连续下降说明有人在上方持续派发或下方持续吸筹）、成本中枢的迁移速度（用 qj70 区间的中点日环比）、集中度的收缩信号（jd90 与 jd70 同时走低且差值收敛）、区间突破信号（现价相对 qj90 上沿的位置）。这些特征全部由确定性代码计算，一个数都不经过模型。

```python
import json
import pandas as pd

def extract_cmfb_features(fp: str, window: int = 60) -> dict:
    """从筹码分布序列提取成本迁移特征，全部确定性计算"""
    rows = json.loads(open(fp, encoding='utf-8').read())
    df = pd.DataFrame(rows)   # 字段: d 日期 hlbl 获利比例 jd90 jd70 qj90 qj70
    df = df.sort_values('d').tail(window).reset_index(drop=True)
    def mid(q):               # 区间中点
        lo, hi = q.split('~')
        return (float(lo) + float(hi)) / 2
    df['center70'] = df['qj70'].map(mid)
    df['center90'] = df['qj90'].map(mid)
    return {
        'hlbl_start': df['hlbl'].iloc[0], 'hlbl_end': df['hlbl'].iloc[-1],
        'hlbl_min': df['hlbl'].min(),
        'center70_shift': round(df['center70'].iloc[-1] / df['center70'].iloc[0] - 1, 4),
        'center70_slope': float(df['center70'].diff().mean()),
        'jd90_start': df['jd90'].iloc[0], 'jd90_end': df['jd90'].iloc[-1],
        'jd70_gap': round((df['jd90'] - df['jd70']).mean(), 2),
        'last': df.iloc[-1].to_dict(),
    }
```

第二步，规则层先做一次粗分类。特征包出来之后，不走模型，先用一组硬规则把状态分成五类：吸筹嫌疑（获利比例低位徘徊、集中度持续收缩、中枢基本不动）、拉升换手（中枢快速上移、集中度先收后放）、高位派发（获利比例高位钝化后回落、集中度重新发散）、无量阴跌（中枢缓慢下移、获利比例长期低于两成）、均衡震荡（各特征均在阈值内）。规则层过滤掉六七成的"无事发生"，只有落在前四类的样本才交给 LLM 深度解读——这一步是为控幻觉和控成本，模型只解释有故事可讲的样本。

```python
def classify_state(f: dict) -> str:
    """规则层：先粗分类，模型只处理有信号的样本"""
    if abs(f['center70_shift']) < 0.03 and f['jd90_end'] < f['jd90_start'] * 0.9 \
       and f['hlbl_end'] < 35:
        return '吸筹嫌疑'
    if f['center70_shift'] > 0.10 and f['hlbl_end'] > 60:
        return '拉升换手'
    if f['hlbl_start'] > 75 and f['hlbl_end'] < f['hlbl_start'] - 25:
        return '高位派发'
    if f['center70_slope'] < 0 and f['hlbl_end'] < 20:
        return '无量阴跌'
    return '均衡震荡'
```

第三步，LLM 解读与编排。提示词的设计原则和上一篇龙虎榜系统一致：特征以 JSON 形式喂进去，输出必须逐条引用特征数值，禁止预测涨跌，只描述"发生了什么、历史语境里通常意味着什么"。编排循环支持多票批量跑，规则层标记为均衡震荡的直接跳过。

```python
CMFB_PROMPT = """你是筹码结构分析师。根据以下特征包写一段不超过 150 字的解读。
规则：1) 每个判断后括号标注依据字段与数值；2) 不预测涨跌、不含买卖建议；
3) 用"成本迁移"视角描述：中枢方向、集中度变化、获利盘清洗位置；
4) 已知粗分类为 {state}，若特征与分类矛盾，以特征为准并指出矛盾。

特征包：{features}"""

def run_cmfb_agent(codes: list) -> list:
    results = []
    for code in codes:
        f = extract_cmfb_features(cmfb_path(code))
        state = classify_state(f)
        note = ('' if state == '均衡震荡'
                else llm.chat(CMFB_PROMPT.format(state=state, features=f)))
        results.append({'code': code, 'state': state, 'note': note})
    return results
```

系统跑了一个月，说三个实测感受。其一，"吸筹嫌疑"类别的误报主要来自长期阴跌后的横盘，解决办法是把规则里的集中度收缩条件收紧到连续 20 个交易日有效，宁可漏不可错。其二，LLM 翻译的价值比预想的大——同一组特征数字，模型的表述会主动关联时间语境，比如指出"获利比例从九成回到三成但中枢未动"，这种复合表述人写复盘时经常懒得写全。其三，筹码特征最好和资金数据交叉，我在批次任务里并联了 L2 指标接口 time/real/trace/l2sign 的近五日主力净额 m5da，吸筹嫌疑叠加主力净额连续为正的样本，才是高置信度的观察对象。

工程上还有个坑值得记录：qj90 与 qj70 是字符串区间，早期版本我没做异常处理，遇到停牌日的空记录直接崩，后来在 extract 里加了空值跳过和日期连续性校验，批处理才稳定下来。另外除权日必须特殊处理，成本区间不会自动复权，除权前后中枢会出现假跳变，我的做法是用除权信息表对历史区间做比例调整之后再计算迁移。

本文用到的数据接口：筹码分布 time/cmfb/加股票代码（字段 d 日期、hlbl 获利比例、jd90 九成成本集中度、qj90 九成成本区间、jd70、qj70）；L2 指标 time/real/trace/l2sign/加股票代码（字段 m5a 五分钟主力净额、m3da/m5da/m10da 多日主力净额）。数据底座为本地 ig50。

资料参考：ig50

[gitee开源地址](https://gitee.com/igtrade/ighub)
[github开源地址](https://github.com/ig50-service/ig50-official)


筹码分布是技术分析里少数真正"有信息量"的指标：它把每个价位上堆积的持仓成本画成一张山形图，获利比例、成本区间、集中度全部一目了然。但这个指标的阅读门槛不低——同一张筹码图，老手能看出主力成本重心在三个月里悄悄上移，新手只看到几座山。我最近做的这个系统，就是让 Agent 盯着筹码分布的时间序列，把"主力成本迁移"这件事用自然语言翻译出来：成本中枢往哪儿移、集中度是收缩还是发散、获利盘在什么位置被反复清洗。数字归代码算，语义归模型讲。

Agent驱动的筹码分布解读系统用LLM翻译主力成本迁移 IG50免费开源股票数据API接口

筹码分布是技术分析里少数真正"有信息量"的指标：它把每个价位上堆积的持仓成本画成一张山形图，获利比例、成本区间、集中度全部一目了然。但这个指标的阅读门槛不低——同一张筹码图，老手能看出主力成本重心在三个月里悄悄上移，新手只看到几座山。我最近做的这个系统，就是让 Agent 盯着筹码分布的时间序列，把"主力成本迁移"这件事用自然语言翻译出来：成本中枢往哪儿移、集中度是收缩还是发散、获利盘在什么位置被

人工智能

算法

开发工具

基于筹码分布时间序列构建Agent智能解读系统，通过特征工程提取成本中枢迁移、集中度变化及获利盘清洗信号，规则层粗分类后交由LLM生成自然语言解读，不预测涨跌。支持多股票批量分析，提供免费开源股票数据API接口，实现主力成本迁移的高效自动化翻译。

数据接口

代码解释

Agent

JSON

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！

社区新版编辑器体验调研

Agent驱动的筹码分布解读系统用LLM翻译主力成本迁移 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

Agent驱动的筹码分布解读系统用LLM翻译主力成本迁移 IG50免费开源股票数据API接口

Agent驱动的筹码分布解读系统用LLM翻译主力成本迁移 IG50免费开源股票数据API接口

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