一文搞懂筹码分布

对于量化交易者来说，筹码分布的价值不只是观察股价在哪些位置停留过，更重要的是将历史价格与成交量转化为可测试的交易信号。但筹码分布并不直接记录每位投资者的真实持仓成本，而是根据历史交易数据估算不同价格区间的筹码数量。
理解这一点，才能正确使用筹码分布，并避免在策略回测中高估指标的预测能力。

1.什么是筹码分布

筹码分布是对不同价格区间内股票持仓成本分布的估算。 通常，筹码分布图以价格为纵向参考，以筹码数量或占比表示各价格区间的分布情况。某个区间的筹码越集中，说明模型估算分配到该区间的筹码越多。
筹码分布可以帮助量化交易者研究三个问题：

• 成本集中区在哪里？ 识别历史交易活动较集中的价格区间。
• 现价处于什么位置？ 判断当前价格相对于估算成本分布的位置。
• 价格变化是否伴随筹码迁移？ 结合成交量和趋势，观察市场交易活动是否发生变化。

需要注意，筹码分布不是交易所直接提供的真实持仓成本清单，也不能仅凭筹码峰判断机构持仓或市场情绪。它的结果取决于数据范围和计算方法。

2. 如何计算筹码分布

量化策略可以利用历史 K 线中的开盘价、最高价、最低价、收盘价和成交量，建立一个简化的筹码分布模型。
第一步：准备历史数据。选择股票、回测周期和历史时间范围，检查缺失数据、成交量单位以及除权除息等因素，确保价格序列具有一致性。
第二步：划分价格区间。根据股票的价格和波动特征设置区间宽度。区间过宽会掩盖细节，过窄则可能放大噪声。
第三步：分配成交量。将每根 K 线的成交量按照预先定义的规则分配到相应价格区间。例如，可以将成交量均匀分配至当根 K 线的最高价和最低价之间。这只是便于实现的估算方法，并不代表真实成交量在各价格上的实际分布。
第四步：计算筹码占比。汇总每个价格区间的估算筹码量，再除以所有区间的估算筹码总量，得到各区间的相对占比。
第五步：验证信号。比较筹码集中区与当前价格的位置，并观察后续价格走势和成交量变化，评估这些特征是否具有稳定的策略价值。
不同的成交量分配方法、历史窗口和区间宽度可能产生不同结果，因此回测时必须固定计算规则，不能为了获得更好的历史表现反复调整参数。

3. 如何将筹码分布用于交易策略

筹码分布更适合作为辅助信号，而不是独立的买卖依据。

筹码集中区可能形成支撑或阻力，但并非必然如此。投资者可能选择继续持有、加仓或止损，真实市场行为无法仅凭成本分布确定。

筹码集中区可能形成支撑或阻力，但并非必然如此。投资者可能选择继续持有、加仓或止损，真实市场行为无法仅凭成本分布确定。
对于量化交易者，可以把筹码占比、价格相对集中区的位置和成交量变化转化为模型特征，再与趋势或波动率指标组合。例如，测试价格突破集中区上沿后，趋势能否持续，而不是将突破本身直接视为买入信号。
回测应避免未来数据泄漏，并考虑交易成本、滑点和样本外表现。只有在不同时间段和市场环境下均经过验证的信号，才值得进一步研究。

4. 如何获取数据并验证模型

筹码分布模型依赖连续、可比较的历史价格和成交量数据。量化交易者可以通过 AllTick 获取历史 K 线数据用于特征计算和策略回测，再根据需要接入实时行情，监测价格与模型信号的变化。
AllTick 提供 REST API 和 WebSocket 行情接口。前者可用于查询历史 K 线，后者可用于接收实时行情更新。开发者可以参考 AllTick REST API 文档了解历史 K 线接口，并根据实际使用的市场、周期和接口限制配置数据流程。
需要明确的是，行情数据接口提供的是模型所需的市场数据，并不意味着可以直接获得所有投资者的真实持仓成本或完整的筹码分布。筹码估算方法仍需自行设计和验证。

5. 筹码分布有哪些局限性

筹码分布主要有三个局限。
首先，它依赖估算规则，不能完整还原每笔交易后的实际持仓状态。其次，历史筹码分布可能无法及时反映新的交易行为。最后，筹码集中并不等于价格必然反转或延续，突发消息、市场流动性和整体趋势都可能改变价格走势。
因此，量化策略应把筹码分布视为待验证的特征，而不是确定性的预测工具。通过统一数据口径、明确计算规则、开展样本外测试，并结合交易成本评估，才能判断它是否真正改善了策略表现。