# ChipDistribution

**Repository Path**: yh17549/ChipDistribution

## Basic Information

- **Project Name**: ChipDistribution
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-10-18
- **Last Updated**: 2026-10-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ChipDistribution

A股筹码分布计算工具，支持均匀分布和三角形分布两种模型。

## 核心概念

筹码分布通过将每个交易日的成交量分配到不同价格区间，并随换手率衰减历史筹码，来估算市场持仓成本的动态分布。

## 两种分布模型

| 模型 | 方法 | 假设 |
|------|------|------|
| 三角形分布 | `calcuSin` | 筹码在均价两侧呈三角形分布，均价附近筹码最密集 |
| 均匀分布 | `calcuJUN` | 筹码在最高价与最低价之间均匀分布 |

## 快速开始

```python
import pandas as pd
from ChipDistribution import ChipDistribution

# 准备数据，需包含以下字段
data = pd.DataFrame({
    'trade_date': [...],     # 交易日期
    'high': [...],           # 最高价
    'low': [...],            # 最低价
    'aver_price': [...],     # 均价
    'vol': [...],            # 成交量
    'turnover_rate': [...],  # 换手率（百分比，如 5.0 表示 5%）
})

cd = ChipDistribution()
cd.load_data(data)
cd.calcuChip(flag=1, AC=1)   # flag=1 三角形分布, flag=2 均匀分布

# 获取 90% 成本分布（即 90% 的筹码集中在什么价格以下）
cost_df = cd.cost(90)
print(cost_df)
```

## 增量计算

当有新的 K 线数据时，无需重新计算全量：

```python
new_data = pd.DataFrame({...})
cd.calcuChip_increment(new_data, flag=1, AC=1)
```

## 参数说明

- **flag**: `1` 三角形分布（推荐），`2` 均匀分布
- **AC**: 衰减系数，默认 `1`。控制历史筹码随换手率的衰减速度
- **minD**: 价格最小变动单位，默认 `0.01`

## 输出

`cost(N)` 返回 DataFrame，包含：
- `trade_date`: 交易日期
- `up_price`: N% 成本分布对应的价格上界

## 依赖

- pandas
- Python ≥ 3.6