大单识别逻辑：如何定义大单？

做盘口分析，第一个绕不开的问题就是：到底多大的单子才算大单？

这个问题听起来简单，但我在实际项目中踩过不少坑。刚开始做量化的时候，我天真地以为“单笔超过100手就算大单”。结果呢？茅台和工商银行的100手，那能一样吗？

所以今天咱们就来聊聊，怎么科学地定义大单。

一、大单的本质是什么？

说白了，大单就是显著偏离当前市场正常交易规模的订单。

你想想看，一只股票平时每笔成交就几手、十几手，突然蹦出来一笔500手的单子——这肯定不正常。但如果是一只日均成交几千万股的大盘股，500手可能只是毛毛雨。

所以，定义大单不能搞“一刀切”。

我个人习惯从两个维度来考量：

• 成交量维度：单笔成交的手数
• 成交金额维度：单笔成交的金额

两个维度各有优劣，咱们一个一个说。

二、基于成交量的阈值设定

成交量阈值，就是设定一个手数门槛。比如“单笔超过200手就算大单”。

这个方法的好处是直观、计算快。但问题也很明显——不同股票的价格差异太大了。

举个例子：

股票	股价	200手金额	是否合理？
贵州茅台	1800元	360万元	✅ 绝对算大单
工商银行	5元	10万元	❌ 可能只是普通单
某ST股	1.5元	3万元	❌ 散户都能做到

看到问题了吧？同样的200手，在不同股票上的资金含义天差地别。

那怎么办？

我建议用相对阈值，而不是绝对阈值。

具体做法：

1. 统计该股票过去N天的平均每笔成交量
2. 设定一个倍数，比如3倍或5倍
3. 超过这个倍数的，就算大单

代码实现起来也很简单：

import pandas as pd
import numpy as np

def detect_large_trade_by_volume(trades, multiplier=5, window=20):
    """
    基于成交量的相对大单识别
    
    Parameters:
    - trades: DataFrame, 包含'volume'列
    - multiplier: 倍数阈值
    - window: 统计窗口天数
    
    Returns:
    - 标记为大单的布尔序列
    """
    # 计算滚动平均每笔成交量
    avg_volume = trades['volume'].rolling(window).mean()
    
    # 标记大单
    is_large = trades['volume'] > avg_volume * multiplier
    
    return is_large

嗯，这里要注意：窗口大小的选择很关键。窗口太小，均值不稳定；窗口太大，反应太迟钝。我个人习惯用20个交易日，也就是一个月左右。

三、基于成交金额的阈值设定

成交金额维度，其实更能反映资金的真实意图。

为什么？因为资金看的是钱，不是手数。一个机构要建仓，他关心的是“我要花多少钱”，而不是“我要买多少手”。

我见过不少交易员，只看手数不看金额，结果把几百万的小单当大单，把几十万的机构单当普通单——这坑我踩过。

基于金额的阈值设定，同样建议用相对法：

• 计算该股票过去N天的平均每笔成交金额
• 设定倍数阈值（比如3倍）
• 超过的标记为大单

代码示例：

def detect_large_trade_by_amount(trades, multiplier=3, window=20):
    """
    基于成交金额的相对大单识别
    
    Parameters:
    - trades: DataFrame, 包含'amount'列（单位：元）
    - multiplier: 倍数阈值
    - window: 统计窗口天数
    
    Returns:
    - 标记为大单的布尔序列
    """
    # 计算滚动平均每笔成交金额
    avg_amount = trades['amount'].rolling(window).mean()
    
    # 标记大单
    is_large = trades['amount'] > avg_amount * multiplier
    
    return is_large

四、综合阈值：双维度联合判定

单一维度总会有盲区。比如：

• 一只低价股，突然出现大量手数但金额不大——可能是散户跟风
• 一只高价股，手数不多但金额巨大——可能是机构在吸筹

所以，我建议用双维度联合判定。

具体逻辑：

1. 先分别计算成交量和成交金额的相对阈值
2. 设定一个“大单分数”
3. 两个维度都超过阈值的，标记为“强信号大单”
4. 只有一个维度超过的，标记为“弱信号大单”

代码实现：

def detect_large_trade_combined(trades, vol_mult=5, amt_mult=3, window=20):
    """
    双维度联合大单识别
    
    Returns:
    - DataFrame, 包含'is_large_vol', 'is_large_amt', 'large_signal'列
    """
    df = trades.copy()
    
    # 计算滚动均值
    avg_vol = df['volume'].rolling(window).mean()
    avg_amt = df['amount'].rolling(window).mean()
    
    # 单维度标记
    df['is_large_vol'] = df['volume'] > avg_vol * vol_mult
    df['is_large_amt'] = df['amount'] > avg_amt * amt_mult
    
    # 联合判定
    conditions = [
        (df['is_large_vol'] & df['is_large_amt']),  # 双维度都满足
        (df['is_large_vol'] | df['is_large_amt'])   # 至少一个满足
    ]
    choices = ['strong', 'weak']
    
    df['large_signal'] = np.select(conditions, choices, default='none')
    
    return df

五、避坑指南

我曾经犯过一个错误：把“大单”和“主力资金”直接划等号。

后来发现，有些大单是对倒单（左手倒右手），有些是拆单后的汇总（比如算法交易），还有些是乌龙指（手滑了）。

所以，识别出大单只是第一步。你还需要结合：

• 盘口挂单变化：大单成交前后，买卖盘口有没有异常
• 时间分布：是开盘、盘中还是尾盘出现的
• 价格影响：大单成交后，价格是突破还是反转

这些内容，后面的章节会详细展开。

六、本章知识体系

下面这张图，帮你梳理大单识别的完整逻辑：

这张图把整个逻辑串起来了。从最底层的单维度识别，到双维度联合判定，再到最终的信号输出——每一步都有讲究。

好了，大单识别的基础逻辑就讲到这里。记住：没有完美的阈值，只有不断优化的方法。多复盘、多测试，找到适合你交易品种的参数，这才是正道。

---

公众号:蓝海资料掘金营，微信deep3321