第四节：大单资金流分析——如何识别大单买入/卖出？

做量化交易这些年，我见过太多人盯着分时图追涨杀跌。其实真正决定股价方向的，是那些藏在成交明细里的大单。说白了，大单就是主力的手印。今天我就把识别大单的方法、计算占比的技巧，以及它和股价的真实关系，一次性讲清楚。

一、什么是大单？先给个定义

不同股票的大单标准不一样。茅台的一笔100万算小单，但一只10亿流通盘的股票，100万就是大单了。我个人习惯用这个标准：

• 按金额划分：单笔成交金额超过该股票日均成交金额的0.1%，视为大单
• 按手数划分：对于低价股（<20元），单笔≥500手算大单；中价股（20-50元），单笔≥200手；高价股（>50元），单笔≥100手
• 动态阈值法：取过去20个交易日所有单笔成交金额的90%分位数，超过这个值就算大单

二、大单买入/卖出的识别方法

光知道什么是大单还不够，关键是怎么判断这笔大单是买还是卖。这里有个坑——很多人只看成交明细里的“B”和“S”标记，但交易所的数据其实没有主动买卖标记，那是软件商自己算的。

我常用的方法是成交方向判定法：

1. 价格对比法：当前成交价 > 上一笔成交价，判定为主动买入；当前成交价 < 上一笔成交价，判定为主动卖出；相等则看买卖盘口
2. 盘口对比法：如果成交价等于卖一价，且卖一量减少，判定为主动买入；如果成交价等于买一价，且买一量减少，判定为主动卖出
3. 逐笔还原法：利用Level-2数据的逐笔成交，可以精确还原每一笔的买卖方向

三、大单成交占比的计算方法

大单成交占比，说白了就是主力参与度。公式很简单：

大单成交占比 = 大单成交总金额 / 当日总成交金额 × 100%

但这里有个细节——要区分大单买入占比和大单卖出占比。我一般这样算：

指标	计算公式	含义
大单买入占比	大单主动买入金额 / 当日总成交金额	主力买入意愿强度
大单卖出占比	大单主动卖出金额 / 当日总成交金额	主力卖出意愿强度
大单净占比	(大单买入 - 大单卖出) / 当日总成交金额	主力资金净流向
大单成交活跃度	大单成交笔数 / 总成交笔数	主力参与频率

举个例子：某股票当日总成交1亿，大单买入3000万，大单卖出2000万。那么大单买入占比=30%，大单卖出占比=20%，大单净占比=10%。这说明主力在净买入。

四、大单资金流与股价的关系

这个问题我研究了很久。大单资金流和股价的关系，不是简单的正相关。我总结出三种典型模式：

模式一：量价齐升（健康型）

大单持续买入，股价稳步上涨。大单买入占比 > 大单卖出占比，且大单成交活跃度在30%以上。这种时候，主力是真金白银在买，可以跟。

模式二：量价背离（陷阱型）

大单净占比为正，但股价不涨甚至下跌。这往往是主力在“明修栈道暗度陈仓”——用大单维持股价，用小单偷偷出货。我遇到过一只票，连续3天大单净流入，股价却跌了5%，后来果然崩了。

模式三：放量滞涨（分歧型）

大单成交活跃度很高（>50%），但股价窄幅震荡。这说明多空双方在激烈博弈。这时候不要急着进场，等方向明确再说。

为什么会这样？因为大单资金流反映的是主力的意图，而股价反映的是结果。意图和结果之间，还隔着市场情绪、散户行为、大盘环境等因素。

五、实战代码：计算大单资金流

下面是我常用的Python代码，用来从逐笔成交数据中计算大单资金流：

import pandas as pd
import numpy as np

def calculate_big_trade_flow(df, threshold_percent=0.001):
    """
    计算大单资金流
    :param df: 包含['time','price','volume','amount']的DataFrame
    :param threshold_percent: 大单金额阈值，默认日均成交额的0.1%
    """
    # 计算日均成交额
    daily_avg_amount = df['amount'].sum() / len(df['date'].unique())
    big_trade_threshold = daily_avg_amount * threshold_percent
    
    # 标记大单
    df['is_big'] = df['amount'] >= big_trade_threshold
    
    # 判断买卖方向（价格对比法）
    df['prev_price'] = df['price'].shift(1)
    df['direction'] = 0  # 0:未知, 1:买入, -1:卖出
    df.loc[df['price'] > df['prev_price'], 'direction'] = 1
    df.loc[df['price'] < df['prev_price'], 'direction'] = -1
    
    # 计算大单资金流
    big_trades = df[df['is_big']]
    buy_amount = big_trades[big_trades['direction']==1]['amount'].sum()
    sell_amount = big_trades[big_trades['direction']==-1]['amount'].sum()
    total_amount = df['amount'].sum()
    
    return {
        'big_buy_ratio': buy_amount / total_amount,
        'big_sell_ratio': sell_amount / total_amount,
        'big_net_ratio': (buy_amount - sell_amount) / total_amount,
        'big_trade_count_ratio': len(big_trades) / len(df)
    }

六、核心知识体系

下面这张图是我自己梳理的大单资金流分析框架，你一看就明白：

嗯，这套框架我用了好几年。每次分析一只股票，我都会按这个流程走一遍。你会发现，很多看似复杂的盘面现象，用这个框架一拆解，就清晰了。

七、几个实战要点

• 大单占比不是越高越好：超过60%的大单占比，往往意味着主力高度控盘，这时候反而要小心流动性风险
• 关注大单的持续性：单日的大单净流入可能是偶然，连续3天以上才有参考价值
• 结合股价位置：低位出现大单净流入，是建仓信号；高位出现大单净流入，可能是诱多
• 警惕对倒单：如果大单买入和大单卖出同时放大，且股价不动，可能是主力在对倒制造活跃假象