第4章足迹图高级应用

第四章：足迹图高级应用——逐笔成交足迹图的精细解读

足迹图这东西，说白了就是把每一笔成交都钉在K线上。很多交易者看K线只看价格，我却喜欢盯着足迹图里的数字发呆。为什么？因为每一笔成交背后，都是真金白银的博弈。

我个人习惯把足迹图当作市场的「X光片」。它能照出大资金的真实意图。今天我们就聊聊，怎么从这些密密麻麻的数字里，揪出那些藏头露尾的大单和冰山订单。

一、足迹图的核心结构

先看一张我手绘的足迹图结构示意。别嫌丑，逻辑都在里面。

每一行代表一个价位。左边的数字是价格，右边的数字是成交量。红色表示主动买入，绿色表示主动卖出。嗯，就这么简单。

二、怎么识别大单？

大单不是看单笔成交额，而是看单笔成交量相对于该合约的「正常水平」。我一般这么定义：

正常单：成交量在均值的0.5~1.5倍之间
大单：成交量超过均值的3倍
巨量单：成交量超过均值的10倍

举个例子。假设某合约过去20笔的平均成交量是50手。突然出现一笔成交500手，这就是巨量单。我在项目中遇到过这种情况——当时价格还在横盘，突然一笔500手的主动买入把价格推高了2个tick。我立刻警觉起来，因为这种量不可能是散户干的。

关键判断逻辑：

大单出现的位置比大单本身更重要。如果大单出现在支撑位附近，且是主动买入，那大概率是主力在吸筹。反之，如果出现在阻力位附近且是主动卖出，那就是出货。

三、冰山订单的识别技巧

冰山订单，就是大资金把一个大单拆成很多小单，分批进场。目的是不引起市场注意。你想想看，如果一笔5000手的卖单直接砸出来，盘口瞬间就崩了。但拆成50笔100手的单子，看起来就像普通交易。

怎么识别？我总结了三招：

同价位连续同向成交：比如在99.50这个价位，连续出现5笔主动买入，每笔80~120手。这就不正常。正常散户不会盯着一个价位反复买。
成交量分布异常集中：整个K线里，80%的成交量集中在1~2个价位上。这说明有资金在刻意维护某个价格。
Delta值出现「锯齿」：Delta是主动买入减主动卖出。如果Delta在某个价位附近反复正负交替，但累计Delta却在缓慢增加，这就是冰山订单的典型特征。

我的个人经验：

我曾经跟踪过一只股票，连续3天在10.20元这个价位出现「每5分钟一笔200手主动买入」的规律。后来果然出了利好公告，股价一周涨了15%。这就是典型的冰山订单建仓。

四、实战代码：自动标记大单与冰山

光说不练假把式。下面是我写的一个Python函数，可以自动从足迹数据中标记出大单和冰山订单。

import pandas as pd
import numpy as np

def detect_large_and_iceberg(footprint_df, volume_col='volume', price_col='price', 
                              direction_col='direction', large_threshold=3.0):
    """
    从足迹数据中检测大单和冰山订单
    
    参数:
        footprint_df: DataFrame，包含每笔成交的价格、成交量、方向
        large_threshold: 大单倍数阈值，默认3倍均值
    
    返回:
        DataFrame，新增两列：is_large, is_iceberg
    """
    df = footprint_df.copy()
    
    # 计算滚动均值（过去20笔）
    df['avg_volume'] = df[volume_col].rolling(window=20, min_periods=5).mean()
    
    # 标记大单
    df['is_large'] = (df[volume_col] > df['avg_volume'] * large_threshold) & \
                     (df['avg_volume'].notna())
    
    # 标记冰山订单：同一价格连续3笔以上同向，且单笔量在0.5~1.5倍均值之间
    df['same_price'] = df[price_col] == df[price_col].shift(1)
    df['same_direction'] = df[direction_col] == df[direction_col].shift(1)
    
    # 连续同价同向计数
    df['consecutive'] = 0
    for i in range(1, len(df)):
        if df.loc[i, 'same_price'] and df.loc[i, 'same_direction']:
            df.loc[i, 'consecutive'] = df.loc[i-1, 'consecutive'] + 1
        else:
            df.loc[i, 'consecutive'] = 0
    
    # 冰山条件：连续>=3笔，且单笔量在合理范围
    df['is_iceberg'] = (df['consecutive'] >= 3) & \
                       (df[volume_col] > df['avg_volume'] * 0.5) & \
                       (df[volume_col] < df['avg_volume'] * 1.5) & \
                       (df['avg_volume'].notna())
    
    return df[['price', 'volume', 'direction', 'is_large', 'is_iceberg']]

# 使用示例
# result = detect_large_and_iceberg(my_footprint_data)
# print(result[result['is_large'] | result['is_iceberg']])

这段代码的核心逻辑其实就两点：大单看「异常大」，冰山看「连续且均匀」。我建议你拿到自己的数据后，先调参试试。不同品种的阈值差异很大——股指期货的大单阈值可能是3倍，但小品种可能5倍才合适。

五、避坑指南

我曾经踩过的坑：

别把市价单拆单当成冰山：有些算法交易会把大单拆成市价单，这种在足迹图上会显示为多个价位上的分散成交，而不是同一价位的连续成交。这不是冰山，是「雪花」。
注意交易所的数据精度：有些交易所只提供1秒级别的聚合数据，这种数据里你看到的「连续成交」可能只是巧合。一定要用逐笔数据。
别忽略时间因素：同样是连续5笔100手买入，如果发生在开盘前3分钟和收盘前3分钟，意义完全不同。开盘可能是试盘，收盘可能是抢筹。

六、总结一下

足迹图的高级应用，说白了就是「读心术」。大单告诉你「有人来了」，冰山告诉你「有人在偷偷干大事」。两者结合，你就能比市场快半步。

我个人习惯每天收盘后，把当天出现大单和冰山订单的品种过一遍。坚持一个月，你对市场的「语感」会明显提升。嗯，这招我教过不少学员，反馈都不错。

记住一句话：足迹图上的每一个数字，都是资金的指纹。

公众号:蓝海资料掘金营，微信deep3321