核心指标计算（上）：大单成交额、特大单成交额、资金净流入/流出计算逻辑
各位同学，今天我们来啃一块硬骨头——主力资金的核心指标计算。
说实话，我刚入行那会儿，看到各种软件上红红绿绿的资金流数据，也是一头雾水。后来自己动手写代码算了一遍，才明白里面的门道。今天我就把这些经验掰开了揉碎了讲给你听。
一、什么是大单和特大单？
先搞清楚概念。我们常说的「主力资金」，其实是通过单笔成交的金额大小来划分的。
我个人习惯把成交单分成四类：
- 小单：单笔成交金额 < 4万元
- 中单：4万元 ≤ 单笔成交金额 < 20万元
- 大单：20万元 ≤ 单笔成交金额 < 100万元
- 特大单：单笔成交金额 ≥ 100万元
你可能会问：「为什么是20万和100万这两个阈值？」
嗯，这个其实没有统一标准。我在项目中遇到过，不同交易所、不同软件商的划分方式略有差异。有的用20万/100万，有的用50万/200万。但核心逻辑是一样的——用金额大小来区分散户行为和机构行为。
核心要点：特大单几乎可以肯定是机构行为。大单可能是大户，也可能是多家散户的集合。但特大单，尤其是连续出现的特大单，基本就是主力在干活。
二、大单成交额与特大单成交额的计算
计算逻辑其实很简单。我们拿到的原始数据是每一笔成交的明细，包含：
- 成交时间
- 成交价格
- 成交数量
- 成交金额（价格 × 数量）
- 买卖方向（主动买、主动卖）
然后我们按金额大小做分类汇总：
def classify_order(amount):
"""根据成交金额分类"""
if amount < 40000:
return '小单'
elif amount < 200000:
return '中单'
elif amount < 1000000:
return '大单'
else:
return '特大单'
# 计算某只股票当日的大单成交额
def calc_large_turnover(trades_df):
large_orders = trades_df[
(trades_df['amount'] >= 200000) &
(trades_df['amount'] < 1000000)
]
return large_orders['amount'].sum()
# 计算特大单成交额
def calc_extra_large_turnover(trades_df):
extra_large = trades_df[trades_df['amount'] >= 1000000]
return extra_large['amount'].sum()你看，代码就这么几行。但实际项目中，数据量会非常大。一只活跃股票一天可能有几万笔成交，全市场几千只股票，数据量是百万级的。所以性能优化很重要——我一般会用向量化操作，而不是循环。
小技巧：用 pandas 的 cut 函数可以一行代码完成分类，比写 if-else 快得多：
df['order_type'] = pd.cut(
df['amount'],
bins=[0, 40000, 200000, 1000000, float('inf')],
labels=['小单', '中单', '大单', '特大单']
)三、资金净流入/流出的计算逻辑
这个才是重点，也是很多新手容易搞混的地方。
资金净流入的计算公式是：
净流入 = 主动买入成交额 - 主动卖出成交额
说白了，就是看买方和卖方谁更主动。如果买方愿意主动吃卖单，说明看好后市；如果卖方主动砸盘，说明不看好。
具体到代码实现：
def calc_net_inflow(trades_df):
"""
计算资金净流入
trades_df 必须包含 'direction' 列：
'B' 表示主动买入（Buy）
'S' 表示主动卖出（Sell）
"""
buy_amount = trades_df[trades_df['direction'] == 'B']['amount'].sum()
sell_amount = trades_df[trades_df['direction'] == 'S']['amount'].sum()
net_inflow = buy_amount - sell_amount
return net_inflow
# 计算大单级别的净流入
def calc_large_net_inflow(trades_df):
large_trades = trades_df[
(trades_df['amount'] >= 200000) &
(trades_df['amount'] < 1000000)
]
return calc_net_inflow(large_trades)
# 计算特大单级别的净流入
def calc_extra_large_net_inflow(trades_df):
extra_large_trades = trades_df[trades_df['amount'] >= 1000000]
return calc_net_inflow(extra_large_trades)避坑指南：我曾经踩过一个坑——有些行情数据源会把「主动买卖」的方向搞反。不同交易所的标记规则不一样，有的用 'B'/'S'，有的用 1/0，还有的用 '买'/'卖'。拿到数据后，一定要先做数据校验。
我的校验方法是：找一笔明显的大单，比如一笔100万的成交，如果价格是向上跳动的，那应该是主动买入；如果是向下跳动的，则是主动卖出。用这个逻辑反向验证数据的方向标记是否正确。
四、完整的计算流程
下面我把整个流程串起来，画了一张图，方便你理解：
五、实战中的注意事项
讲完了理论，说说我在实战中总结的几个要点：
- 数据频率很重要：我建议用 tick 级数据（逐笔成交）来计算，而不是用分钟线。分钟线已经丢失了单笔成交的信息，算出来的资金流不准。
- 复权处理：遇到分红、送股时，股价会变化，单笔成交金额的阈值也要相应调整。否则你会发现分红后突然多出很多「大单」，其实是假象。
- 跨市场对比：不同市场的股票价格差异很大。比如贵州茅台一手就要十几万，它的「小单」可能相当于别的股票的「大单」。所以阈值要根据股价做动态调整，我一般用「成交金额 / 股价 × 100」来标准化。
- 时间窗口：我习惯同时看 1分钟、5分钟、30分钟三个级别的资金流。短周期看异动，长周期看趋势。
一个实用技巧：当你发现某只股票出现「大单净流入 + 特大单净流入」同时为正，且金额持续放大时，这往往是主力建仓的信号。反之，如果大单和特大单都在流出，而股价还在涨，那就要小心了——可能是主力在拉高出货。
好了，这一节的内容就到这里。核心就是三件事：分类、汇总、算净额。下一节我们会讲如何把这些指标组合起来，构建真正的监控模型。