分时成交实战：本地数据引擎如何重构日内趋势跟踪体系

原创于 2026-07-21 10:50:25 发布 · 127 阅读

本内容遵循CC 4.0 BY-SA版权协议

分时成交实战：本地数据引擎如何重构日内趋势跟踪体系

做日内交易的人都明白，分时成交数据是判断短期走势最直接的依据。每一分钟的成交量和平均价格变化，能反映出资金的进出节奏和市场情绪的演变。但想做好日内趋势跟踪，数据的实时性和连续性是关键。我之前用在线API做日内分析，数据经常断档，要么某几分钟的数据缺失，要么延迟太高跟不上行情变化。后来换成本地落盘方案，才算真正把日内分析的流程跑通了。今天想聊聊用ig50本地数据引擎做分时成交分析的实战经验。

在线API做日内分析的痛点很明显。免费的在线接口大多只能提供当天的分时数据，而且经常出现数据缺失的情况，比如上午10:30到10:35这五分钟的数据突然没了，导致趋势判断出现断层。付费接口的数据质量好一些，但频次限制摆在那，想每分钟刷新一次全市场的分时数据，根本做不到。更要命的是延迟，在线接口从数据产生到传到你手里，少说也有几十毫秒，遇到行情波动大的时候，延迟甚至能到几百毫秒。我之前写过一个日内动量策略，用在线API跑，经常因为数据延迟错过最佳入场时机。

后来换成ig50本地数据引擎，才发现日内分析原来可以这么顺畅。当天分时成交数据在time/real/trace/timedeal/{股票代码}路径下，记录了盘中以分钟为单位统计的成交总量和平均价格，每2分钟更新一次，10秒左右落盘。程序直接读本地文件，没有网络延迟，没有请求频次限制，想怎么分析就怎么分析。

先看分时成交数据的读取和基本分析，下面这段代码是我盘中日内监控的核心逻辑：

import json
import pandas as pd
import numpy as np
from pathlib import Path
from datetime import datetime

DATA_DIR = Path('/ig50-data')

def load_timedeal(code):
    """读取单只股票的当天分时成交数据"""
    path = DATA_DIR / 'time' / 'real' / 'trace' / 'timedeal' / code
    if not path.exists():
        return None
    with open(path, 'r', encoding='utf-8') as f:
        data = json.load(f)
    return data

# 读取股票列表
with open(DATA_DIR / 'base' / 'gplist', 'r', encoding='utf-8') as f:
    stock_list = json.load(f)
df_stocks = pd.DataFrame(stock_list)

# 过滤掉ST和新股
df_pool = df_stocks[(df_stocks['isSt'] == 0) & (df_stocks['isNew'] == 0)]

# 读取单只股票的分时成交数据（以贵州茅台为例）
code = '600519'
timedeal_data = load_timedeal(code)
if timedeal_data:
    df_td = pd.DataFrame(timedeal_data)
    # 字段：数据更新时间、分时时间、成交量（股）、成交价
    df_td['分时时间'] = pd.to_datetime(df_td['分时时间'], format='%H:%M:%S')
    df_td['成交量'] = pd.to_numeric(df_td['成交量'], errors='coerce')
    df_td['成交价'] = pd.to_numeric(df_td['成交价'], errors='coerce')
    df_td = df_td.set_index('分时时间').sort_index()
    
    print(f'=== {code} 分时成交数据 ===')
    print(f'数据时间范围：{df_td.index[0].time()} - {df_td.index[-1].time()}')
    print(f'总成交分钟数：{len(df_td)}')
    print(f'总成交量：{df_td["成交量"].sum()/10000:.2f}万股')
    print(f'平均每分钟成交量：{df_td["成交量"].mean()/10000:.2f}万股')
    
    # 计算每分钟成交额
    df_td['成交额'] = df_td['成交量'] * df_td['成交价']
    
    # 前20分钟和最近20分钟对比
    first_20 = df_td.head(20)
    last_20 = df_td.tail(20)
    
    print(f'\n前20分钟平均成交额：{first_20["成交额"].mean()/10000:.2f}万元')
    print(f'最近20分钟平均成交额：{last_20["成交额"].mean()/10000:.2f}万元')
    print(f'放量倍数：{last_20["成交额"].mean()/first_20["成交额"].mean():.2f}')
    
    # 打印最近10分钟的分时数据
    print('\n=== 最近10分钟分时数据 ===')
    print(df_td[['成交价', '成交量']].tail(10))

这段代码最关键的地方在于，读取分时成交数据是纯本地文件IO，几乎没有延迟。换成在线API，同样的操作至少要等几十毫秒。

分时成交数据的价值远不止看每分钟的成交量和价格，还能用来做日内趋势分析。下面这段代码是我用来识别日内趋势反转的脚本：

def analyze_intraday_trend(code):
    """分析日内趋势，识别趋势反转信号"""
    timedeal_data = load_timedeal(code)
    if not timedeal_data:
        return None
    
    df_td = pd.DataFrame(timedeal_data)
    df_td['分时时间'] = pd.to_datetime(df_td['分时时间'], format='%H:%M:%S')
    df_td['成交量'] = pd.to_numeric(df_td['成交量'], errors='coerce')
    df_td['成交价'] = pd.to_numeric(df_td['成交价'], errors='coerce')
    df_td = df_td.set_index('分时时间').sort_index()
    
    # 计算每分钟成交额
    df_td['成交额'] = df_td['成交量'] * df_td['成交价']
    
    # 计算均线（5分钟和20分钟）
    df_td['MA5'] = df_td['成交价'].rolling(5).mean()
    df_td['MA20'] = df_td['成交价'].rolling(20).mean()
    
    # 计算成交量均线
    df_td['VOL_MA5'] = df_td['成交量'].rolling(5).mean()
    df_td['VOL_MA20'] = df_td['成交量'].rolling(20).mean()
    
    # 计算价格变化率
    df_td['price_change'] = df_td['成交价'].pct_change()
    
    # 计算成交量变化率
    df_td['vol_change'] = df_td['成交量'].pct_change()
    
    # 识别趋势信号
    signals = []
    
    # 金叉信号：MA5上穿MA20
    golden_cross = (df_td['MA5'] > df_td['MA20']) & (df_td['MA5'].shift(1) <= df_td['MA20'].shift(1))
    if golden_cross.iloc[-5:].any():
        last_cross = df_td[golden_cross].index[-1]
        signals.append(f'金叉({last_cross.time()})')
    
    # 死叉信号：MA5下穿MA20
    death_cross = (df_td['MA5'] < df_td['MA20']) & (df_td['MA5'].shift(1) >= df_td['MA20'].shift(1))
    if death_cross.iloc[-5:].any():
        last_cross = df_td[death_cross].index[-1]
        signals.append(f'死叉({last_cross.time()})')
    
    # 放量信号：成交量突破20日均线1.5倍
    volume_surge = df_td['成交量'] > df_td['VOL_MA20'] * 1.5
    if volume_surge.iloc[-3:].any():
        signals.append('放量')
    
    # 缩量信号：成交量低于20日均线0.5倍
    volume_drop = df_td['成交量'] < df_td['VOL_MA20'] * 0.5
    if volume_drop.iloc[-3:].any():
        signals.append('缩量')
    
    # 强势上涨：连续3分钟价格上涨且成交量递增
    strong_up = (df_td['price_change'] > 0).rolling(3).sum() == 3
    if strong_up.iloc[-1]:
        signals.append('强势上涨')
    
    # 强势下跌：连续3分钟价格下跌且成交量递增
    strong_down = (df_td['price_change'] < 0).rolling(3).sum() == 3
    if strong_down.iloc[-1]:
        signals.append('强势下跌')
    
    # 计算关键统计数据
    total_minutes = len(df_td)
    up_minutes = (df_td['price_change'] > 0).sum()
    down_minutes = (df_td['price_change'] < 0).sum()
    
    result = {
        '代码': code,
        '当前价格': df_td['成交价'].iloc[-1] if len(df_td) > 0 else 0,
        '开盘价': df_td['成交价'].iloc[0] if len(df_td) > 0 else 0,
        '最高价': df_td['成交价'].max() if len(df_td) > 0 else 0,
        '最低价': df_td['成交价'].min() if len(df_td) > 0 else 0,
        'MA5': df_td['MA5'].iloc[-1] if len(df_td) > 5 else 0,
        'MA20': df_td['MA20'].iloc[-1] if len(df_td) > 20 else 0,
        '上涨分钟数': up_minutes,
        '下跌分钟数': down_minutes,
        '上涨占比': up_minutes / total_minutes if total_minutes > 0 else 0,
        '平均每分钟成交额': df_td['成交额'].mean() / 10000 if len(df_td) > 0 else 0,
        '最新每分钟成交额': df_td['成交额'].iloc[-1] / 10000 if len(df_td) > 0 else 0,
        '信号': ', '.join(signals) if signals else '无',
    }
    
    return result

# 分析单只股票的日内趋势
result = analyze_intraday_trend('600519')
if result:
    print('\n=== 日内趋势分析结果 ===')
    for k, v in result.items():
        if isinstance(v, float):
            print(f'{k}: {v:.4f}')
        else:
            print(f'{k}: {v}')

这段代码通过计算均线金叉死叉、成交量变化、价格涨跌等指标，能帮助识别日内趋势反转信号。我之前用在线API做同样的分析，因为数据延迟和不全，经常误判；现在本地数据完整实时，分析结果靠谱多了。

把分时成交和实时行情结合起来，就能构建一个全市场日内趋势监控体系。下面这段代码是我实际在用的盘中日内扫描脚本：

def scan_intraday_trend(top_n=10):
    """全市场日内趋势扫描，找出趋势异动股票"""
    with open(DATA_DIR / 'base' / 'gplist', 'r', encoding='utf-8') as f:
        stock_list = json.load(f)
    df_stocks = pd.DataFrame(stock_list)
    df_pool = df_stocks[(df_stocks['isSt'] == 0) & (df_stocks['isNew'] == 0)]
    
    results = []
    for code in df_pool['dm']:
        result = analyze_intraday_trend(code)
        if result:
            results.append(result)
    
    df_result = pd.DataFrame(results)
    
    # 筛选趋势异动股票
    # 条件：上涨占比>60% 或 有金叉信号 或 放量上涨
    anomaly_mask = (df_result['上涨占比'] > 0.6) | \
                   (df_result['信号'].str.contains('金叉')) | \
                   (df_result['信号'].str.contains('放量'))
    
    anomalies = df_result[anomaly_mask]
    anomalies = anomalies.sort_values('上涨占比', ascending=False).head(top_n)
    
    print(f'\n=== {datetime.now().strftime("%H:%M:%S")} 日内趋势扫描 ===')
    print(f'异动股票数量：{len(anomalies)}')
    print(anomalies[['代码', '当前价格', 'MA5', 'MA20', '上涨占比', '平均每分钟成交额', '最新每分钟成交额', '信号']])
    
    return anomalies

# 运行全市场日内趋势扫描
scan_intraday_trend(top_n=15)

用本地数据做日内分析，最大的体感差异是"连续性"和"实时性"。以前用在线API，数据经常出现断档，比如某几分钟的数据缺失，导致趋势判断出现断层；现在本地数据完整连续，不会出现这种问题。而且数据更新后10秒就能读到，几乎是实时的。

还有个容易被忽视的点，分时成交数据的时间精度。在线API经常出现时间戳不准的情况，比如10:30的数据被标记成10:31，这会严重影响趋势判断。本地数据引擎后台持续更新，时间戳准确，不会出现这种问题。

数据名称：沪深京A股-股票交易数据-股票行情-当天分时成交
本地路径：数据存放目录/time/real/trace/timedeal/{股票代码}
描述：根据《股票列表》得到的股票代码获取当天分时成交数据（盘中以分钟为单位统计的成交总量以及平均价格），按时间升序
更新频率：交易时间段每2分钟。完成更新耗时：约10秒。数据格式：[{},…]
关键字：[数据更新时间, 分时时间, 成交量（股）, 成交价]

资料参考ig50.com/index_realtime.html?maodian=rt-trace-timedeal-title，如有侵犯网站权利，请联系我撤回。

标签