# Agent 实战，用转融券数据识别多空转折点的方法论

转融券数据是 A 股最被低估的多空信号源。但单看融券余额会被对冲盘误导——必须把转融券、融券、融资、出借方结构组合使用。这篇把基于本地数据的 Agent 多空转折识别系统完整分享。

整套系统由 4 个 Agent 协作完成，单机可处理全市场 5000 只股票，识别准确率稳定在 70% 以上。

**为什么融券余额单独看不靠谱**

我一开始是用融券余额做空头信号。跑了 2022 年全年回测：

融券余额 5 日增幅 > 50% 的股票 1,824 只，未来 5 日平均涨跌幅 -1.2%。看上去有点效果。

但仔细一看分布：胜率只有 51%。这意味着融券余额突增的"信号"，有一半是噪声。

为什么？因为很多融券余额放大是**对冲盘**（机构持有多头 + 融券做空做对冲），不是真正的空头意图。

必须把转融券数据本地化、做完整的多空因子体系后，信号胜率才能稳定在 70% 以上。

**整体架构**

整个多空转折识别系统由 4 个 Agent 协作：

1. **数据 Agent**：从本地数据接口拉转融券、融资融券、行情数据
2. **特征 Agent**：计算 4 个核心多空因子
3. **决策 Agent**：基于因子组合判定"看多 / 看空 / 持平"
4. **告警 Agent**：转折点出现时推送告警

每个 Agent 都是独立 Python 进程，通过 RabbitMQ 做消息队列。**这种松耦合设计的好处是单点失败不影响全局**。

**Agent 1 - 数据 Agent**

数据 Agent 的职责是从本地数据接口拉 3 类数据：

- 转融券数据：`time/zijin/zjlrqs/last10/{code}`
- 融资融券数据：`time/zijin/zjlrqs/{code}`
- 历史行情：`time/history/trade/{code}/day`

数据 Agent 每 30 分钟拉一次全市场 5000 只股票的转融券数据，单机本地读盘 < 2 秒。数据落盘到本地时序数据库，按 dm（股票代码）分区。

数据 Agent 的输出格式（每只股票）：

```json
{
  "dm": "000001",
  "mc": "平安银行",
  "rz_balance": 1234567890.0,
  "rq_balance": 567890123.0,
  "rzChg5d": 0.087,
  "rqChg5d": 0.234,
  "lenderTypeRatio": 0.65,
  "timestamp": "2024-08-26 15:00:00"
}
```

**Agent 2 - 特征 Agent**

特征 Agent 收到数据 Agent 的消息后，计算 4 个核心多空因子：

```python
class FeatureAgent:
    def __init__(self):
        self.factor_functions = [
            self.factor_short_strengthening,
            self.factor_long_weakening,
            self.factor_lender_type_change,
            self.factor_rz_rq_diff
        ]
    
    def factor_short_strengthening(self, data, price_data):
        """因子 1：转融券余额突增 + 低位 = 强空头"""
        if data['rqChg5d'] < 0.5:
            return None
        
        # 股价处于过去 60 日 30% 分位数以下
        pct_rank = price_data['close'].tail(60).rank(pct=True).iloc[-1]
        if pct_rank > 0.3:
            return None
        
        return {
            'factor': 'SHORT_STRENGTHENING',
            'rqChg5d': data['rqChg5d'],
            'pct_rank': pct_rank,
            'direction': 'SHORT'
        }
    
    def factor_long_weakening(self, data, price_data):
        """因子 2：转融券余额突减 + 高位 = 强多头"""
        if data['rqChg5d'] > -0.4:
            return None
        
        pct_rank = price_data['close'].tail(60).rank(pct=True).iloc[-1]
        if pct_rank < 0.7:
            return None
        
        return {
            'factor': 'LONG_WEAKENING',
            'rqChg5d': data['rqChg5d'],
            'pct_rank': pct_rank,
            'direction': 'LONG'
        }
    
    def factor_lender_type_change(self, history):
        """因子 3：战略投资者出借比例突变"""
        if len(history) < 10:
            return None
        
        old_ratio = history.iloc[0]['lenderTypeRatio']
        new_ratio = history.iloc[-1]['lenderTypeRatio']
        
        # 战略投资者出借比例从 < 50% 上升到 > 70%
        if old_ratio > 0.5 or new_ratio < 0.7:
            return None
        
        return {
            'factor': 'LENDER_TYPE_CHANGE',
            'old_ratio': old_ratio,
            'new_ratio': new_ratio,
            'direction': 'SHORT'
        }
    
    def factor_rz_rq_diff(self, data, price_data):
        """因子 4：融资-融券差值异常"""
        rz = data['rz_balance']
        rq = data['rq_balance']
        diff = rz - rq
        
        # 当前差值 vs 5 日前差值
        prev_data = data.get('prev', {})
        diff_prev = prev_data.get('rz_balance', rz) - prev_data.get('rq_balance', rq)
        
        # 差值突然缩窄 > 30%
        diff_change = (diff - diff_prev) / diff_prev if diff_prev > 0 else 0
        if diff_change > -0.3:
            return None
        
        return {
            'factor': 'RZ_RQ_DIFF_DIVERGENCE',
            'diff_change': diff_change,
            'direction': 'SHORT'
        }
```

**4 个因子组合后，过滤掉 70% 的噪声**。

样本验证（2022-2024 全市场）：
- 因子 1 触发次数：4,287 次，5 日平均涨跌幅 -3.2%，胜率 68%
- 因子 2 触发次数：3,841 次，5 日平均涨跌幅 +2.8%，胜率 64%
- 因子 3 触发次数：1,847 次，5 日平均涨跌幅 -2.1%，胜率 61%
- 因子 4 触发次数：2,341 次，5 日平均涨跌幅 -1.4%，胜率 58%

**Agent 3 - 决策 Agent**

决策 Agent 接收特征 Agent 的 4 维因子向量，判定多空方向：

```python
class DecisionAgent:
    def __init__(self):
        self.direction_weights = {
            'SHORT': 1,
            'LONG': -1
        }
    
    def decide(self, factors):
        """多空决策"""
        if not factors:
            return {'direction': 'NEUTRAL', 'strength': 0}
        
        # 多空得分
        long_score = 0
        short_score = 0
        
        for f in factors:
            if f['direction'] == 'LONG':
                long_score += 1
            elif f['direction'] == 'SHORT':
                short_score += 1
        
        # 双确认机制
        if long_score >= 2 and short_score == 0:
            return {
                'direction': 'LONG',
                'strength': long_score,
                'confidence': 'HIGH'
            }
        elif short_score >= 2 and long_score == 0:
            return {
                'direction': 'SHORT',
                'strength': short_score,
                'confidence': 'HIGH'
            }
        elif long_score > short_score:
            return {
                'direction': 'LONG',
                'strength': long_score,
                'confidence': 'MEDIUM'
            }
        elif short_score > long_score:
            return {
                'direction': 'SHORT',
                'strength': short_score,
                'confidence': 'MEDIUM'
            }
        else:
            return {'direction': 'NEUTRAL', 'strength': 0}
```

**决策 Agent 输出 3 类信号：**

- `LONG + HIGH`：双确认看多（胜率 71%）
- `SHORT + HIGH`：双确认看空（胜率 74%）
- 其他：单因子信号或矛盾信号（胜率 < 60%）

**双确认信号是最强的多空转折信号**。回测数据：

- 双确认看空样本：687 次，20 日平均涨跌幅 -9.7%
- 双确认看多样本：412 次，20 日平均涨跌幅 +8.4%

**Agent 4 - 告警 Agent**

告警 Agent 收到决策 Agent 的 `HIGH` 信号后，按规则分发：

```python
class AlertAgent:
    def __init__(self):
        self.alert_history = {}
    
    def alert(self, decision, stock_data):
        """告警分发"""
        if decision['confidence'] != 'HIGH':
            return
        
        code = stock_data['dm']
        
        # 去重：同一只股票 24 小时内最多 2 次告警
        if self.too_frequent(code):
            return
        
        direction = decision['direction']
        
        # 推送告警
        alert_msg = {
            'dm': code,
            'mc': stock_data['mc'],
            'direction': direction,
            'strength': decision['strength'],
            'factors': stock_data.get('factors', []),
            'timestamp': stock_data['timestamp']
        }
        
        if direction == 'SHORT':
            self.send_webhook('空头信号', alert_msg)
        elif direction == 'LONG':
            self.send_webhook('多头信号', alert_msg)
        
        self.record_alert(code)
```

告警 Agent 维护告警历史，避免噪声告警。

**Agent 协作流程**

```
[本地数据接口]
    ↓ (每 30 分钟)
[数据 Agent] → RabbitMQ Queue
    ↓
[特征 Agent] → RabbitMQ Queue
    ↓
[决策 Agent]
    ↓ (HIGH 信号)
[告警 Agent]
    ↓
[企业微信 / 邮件]
```

整个流水线 30 分钟一个周期。5000 只股票的全市场扫描耗时 < 5 秒。

**踩过的 3 个坑**

第一个坑是**出借方结构数据的稳定性**。我一开始用近 10 日平均计算 `lenderTypeRatio`，但战略投资者出借比例经常在 1-2 天内剧烈波动。改成"过去 5 日中位数"后稳定了。

第二个坑是**融资-融券差值的基期选择**。我一开始用 60 日前作为基期，结果信号延迟太大。改成 5 日前作为基期后，信号及时性提升明显。

第三个坑是**多空矛盾的判断**。当因子 1（看空）和因子 2（看多）同时触发时，必须用"双确认机制"过滤，否则会发出大量矛盾告警。

**实盘运行数据**

这套系统我从 2024 年 3 月开始跑，到现在已经稳定运行 6 个月。每天触发告警 5-15 次。

实盘数据：
- 总触发次数：1,847
- HIGH 信号触发次数：312
- 5 日内方向确认率：72.4%
- 20 日内方向确认率：68.1%

信号触发后的方向确认率比单纯看融券余额的 51% 高 17-21 个百分点。

**为什么用 Agent 架构**

转融券数据的多空识别是 Agent 架构适合的场景之一：

- **数据更新频率低**（30 分钟一次）：不需要高频 Agent
- **决策规则清晰**（4 因子组合）：可以用规则引擎
- **告警噪声大**（必须去重）：需要独立的告警 Agent

但 Agent 架构也有缺点：**开发复杂度高**。如果只看融券余额做单因子信号，单体脚本就够了。Agent 架构适合 4 因子组合 + 双确认机制 + 多通道告警的场景。

**未来优化方向**

下一步我想把决策 Agent 的规则引擎替换成本地微调的小模型。4 因子的组合权重（`direction_weights`）目前是硬编码的，但理论上应该根据市场状态动态调整。

如果能微调一个 7B 的本地模型专门做多空转折识别，理论上可以把准确率从 72% 提升到 78%。这个方向上的关键挑战是数据标注——需要积累大量"已发生多空转折"的数据集。

**总结**

Agent 协作的本质是把"复杂业务"拆成"独立单元"。转融券多空转折识别是 Agent 架构最适合的场景——4 因子组合 + 双确认机制 + 多通道告警，每个环节都可以独立实现、独立测试、独立优化。

**把数据搬本地、把决策拆 Agent**，这是转融券数据从"看数字"到"工程化识别"的必经之路。

[gitee开源地址](https://gitee.com/igtrade/ighub) 
[github开源地址](https://github.com/ig50-service/ig50-official)

转融券数据是 A 股最被低估的多空信号源。但单看融券余额会被对冲盘误导——必须把转融券、融券、融资、出借方结构组合使用。这篇把基于本地数据的 Agent 多空转折识别系统完整分享。

Agent 实战，用转融券数据识别多空转折点的方法论 IG50免费开源股票数据API接口

人工智能

大数据

转融券多空转折识别系统采用4个Agent协作架构，通过组合转融券、融资融券及出借方结构数据，构建4因子模型过滤70%噪声，双确认机制使信号胜率稳定超70%，实盘20日方向确认率68.1%，较单看融券余额提升17个百分点。

2026上云采购 | AI焕新·智启新局

ctsdb

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Agent 实战，用转融券数据识别多空转折点的方法论 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

Agent 实战，用转融券数据识别多空转折点的方法论 IG50免费开源股票数据API接口

Agent 实战，用转融券数据识别多空转折点的方法论 IG50免费开源股票数据API接口

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐