Position Cost Distribution

策略解读

在公开交易社区中，一个名为“持仓成本分布”的指标引起了不少趋势交易者的注意。它也被称为“市场持仓概览”“筹码分布”或“CYQ算法”。从视觉上看，它与我们熟悉的“成交量分布”图形非常相似——都是在价格坐标轴上绘制横向的柱状图，用来反映不同价位上的买卖活动。但如果因此把它们当成同一种东西，就会误解其内在逻辑。

成交量分布的核心是统计过去某个时间段内、在每个价格上成交了多少手合约；而持仓成本分布的核心，是估算“当前全市场持有者手中，有多少股份是在不同价格上买入的”。换句话说，前者描述的是“交易的热闹程度”，后者描述的是“存量持仓的埋单价格”。两者使用的数据源可能类似，但推导过程和假设条件完全不同。

该指标的基本假设是：一只证券的总股本在通常情况下保持不变。除非发生增发、回购、可转债转股、股权激励等行为，否则市场上流通的股份总量是恒定的。既然如此，我们只要能够追踪每一笔成交，并把卖方转给买方的筹码对应到具体的价格上，就可以推算出当前在不同价格区间内究竟沉淀了多少股份。随着时间推移，不同价位的持仓量会发生迁移——有人卖出，有人买入，筹码从高位转移到低位，或者从低位拉升到高位。

不过，实际操作中并不存在全市场逐笔成交和持仓归属的精确数据。于是，该算法采用一种估计方案：它用某些可观测的数据，比如换手率、成交量、价格波动幅度等，模拟筹码在不同价位之间的转移过程。这种模拟和自然界中“热扩散”有些相似：某一区域的筹码密度高，就会像热量一样向低密度区域扩散；同时，新成交的价格会吸引新的筹码聚集。

这种方式不需要知道每个账户的真实持仓，只需要根据公开的市场统计数据，就能给出一个大致的、动态更新的筹码分布图。作者的英文原描述中特别强调，这是“一种对仓位分布的估计”，而不是精确的账户持仓记录，这提醒我们在使用时不要把它当作绝对真实的存在，而是看作一种具有参考概率的模型。

名词解释

筹码分布（CYQ）：原意为“筹码与价格的关系图”，是一种将市场中所有流通筹码按照当前价格区间进行汇总、展示的统计工具。它把每个价格上的筹码数量用水平柱状图表示，帮助交易者直观地了解不同成本区间的持仓规模。它并不是官方的数据报表，而是基于成交数据构建的估算模型。

成本分布：指市场中所有持仓者所持股份的买入价格分布情况。成本分布通常与筹码分布混用，但更强调“成本”这一角度，即代表持仓者的盈亏状态。当价格高于某部分筹码的成本时，这部分持仓属于盈利状态；低于成本则属于亏损状态。

成交量分布（Volume Profile）：一种显示在特定时间周期内，每个价格水平上发生成交量大小的指标。它来源于逐笔或分笔交易统计，注重的是交易活动的分布，而非存量持仓。它常用于识别“价值区域”，即在哪个价格区间内发生了最多交易。

筹码密集峰：在筹码分布图中，某个价格区间对应的柱状图特别长，说明大量持仓集中在这个价位附近。这个密集峰往往构成重要的支撑或阻力区域，因为大量交易者的成本在此，当价格再次回到这个区域时，会引发显著的获利了结或补仓行为。

获利盘比例：是指当前价格以下所对应的筹码数量占总筹码的比例。例如，如果当前股价为10元，而计算出的分布在8～10元之间的筹码占了总筹码的70%，则获利盘比例为70%。该指标反映了市场整体的盈利状况，用于判断抛压大小。

换手率：指一定时间内股票转手买卖的频率，通常用成交量除以流通股本计算。筹码分布算法常用换手率来模拟筹码的转移速度，换手率越高，说明筹码在不同价格之间交换越充分，原分布格局被刷新得越快。

策略思路讲解

持仓成本分布指标的核心用途，是从“市场参与者的平均成本”角度来观察价格走势。在运用时，我们首先观察筹码分布图的整体形态，判断当前市场是否存在明显的“筹码密集峰”。如果价格处于密集峰上方，意味着大多数持仓者都在盈利，此时价格下跌至密集峰附近时，可能得到获利盘的承接；反之，如果价格处于密集峰下方，多数持仓者处于亏损状态，密集峰则会成为上方抛压的重要来源。

在此基础上，交易者可以发展出多种应对策略。

第一，将筹码密集峰作为动态支撑与阻力。当一个密集峰形成后，价格通常会在该区间上下波动。如果价格向上突破密集峰并站稳，说明该区域的抛压被完全消化，原本的阻力转化为支撑。反之，如果价格跌破密集峰，则意味着下方承接不足，密集峰将成为后续反弹时的阻力。用这种方法，可以比传统均线更清晰地划分价格结构。

第二，观察“筹码上移”与“筹码下移”的过程，判断趋势的健康程度。在一轮上涨行情中，如果底部的低位筹码逐渐松动，并在高位出现新的密集峰，这说明早期获利盘正在离场，新进资金在高位接棒。只要高位密集峰持续扩大，且价格仍然站在该密集峰之上，趋势就可以延续。相反，如果低位筹码尚未大量转移、价格就已经快速上涨，那么多头基础并不牢固，随时可能出现获利回吐。

第三，结合获利盘比例进行风险判断。当获利盘比例超过80%甚至90%时，市场处于普遍盈利的状态，此时一旦出现放量滞涨，很可能是集体兑现的前兆。而当获利盘比例低于20%时，市场多数持仓者被套，往往出现恐慌性抛售后的超跌反弹机会，但前提是基本面或其他指标也发出转折信号。

第四，借助筹码分布识别“主力行为”。假设主力在低位收集了大量筹码，那么低位区域会形成一个非常厚重的筹码密集峰，且该峰在价格上涨过程中始终不消失，说明主力并未离场。如果价格在拉升过程中，低位密集峰迅速消失并转移到高位，则可能是主力出货阶段。这种观察方法很受交易者欢迎，尤其适用于中线波段操作。

第五，可以用筹码分布确认突破的有效性。比如在震荡区间内，筹码逐渐向区间中部集中，形成单一密集峰，当价格放量突破该密集峰的上沿时，意味着大多数人成本一致，突破方向有望得到持续。如果突破时筹码分布仍然分散在多个价位，说明持仓成本凌乱，突破可能缺乏后续动力。

优点

第一，直观呈现市场持仓全景。相比均线、MACD等以价格为单一变量的指标，筹码分布将“价格”和“持仓数量”结合在同一张图上，让交易者能一眼看出当前市场的大多数资金成本在哪里，从而形成对价格结构的立体认识。

第二，能够动态反映筹码的转移过程。成本分布并非静态数据，它随每一笔交易不断更新。这使交易者可以追踪一轮行情中低位筹码如何松动、高位筹码如何聚集，进而判断当前阶段是吸筹、拉升还是派发。

第三，辅助识别真正的支撑与阻力。传统支撑阻力位来自前高前低或整数关口，而筹码密集峰则从真实持仓成本出发，告诉你哪个价位上积累了最多的“套牢盘”或“获利盘”，这种价格往往更具备实际交易意义。

第四，适合结合其他工具进行共振分析。比如当股价位于筹码密集峰上方、同时均线多头排列、MACD金叉时，多重证据叠加会提高交易信号的可靠性。筹码分布本身不以买卖信号见长，但它是极佳的“过滤工具”，能帮助剔除那些缺乏成本支撑的伪信号。

缺点

第一，本质是估算数据，而非真实持仓。由于交易所并不披露每个账户的逐笔成本，所有筹码分布算法都是基于成交量和换手率模拟出来的。模拟参数不同，结果可能差异巨大。如果换手率数据不准，或者个股存在大宗交易、融券卖出等情况，算法会产生明显偏差。

第二，对总股本恒定的假设过于严格。虽然大多数股票短期内的流通股本不变，但上市公司会进行增发、配股、限售股解禁、股份回购注销等活动。这些行为会突然改变流通筹码的总量和结构，而标准的算法难以快速适应，导致分布图失真。

第三，存在时间滞后性。筹码分布依赖历史成交数据逐日累积计算，如果最近市场发生剧烈异动，计算出的筹码分布往往不能及时反映最新持仓变化，而是延续着旧有分布的惯性。这会使其在快速趋势行情中的参考价值大打折扣。

第四，容易产生过度解读。许多交易者将筹码分布上的密集峰视为“主力成本区”，但事实上，密集峰可能只是普通散户在高位集中买入的结果，并不代表任何主力意图。缺乏主力行为验证时，仅凭形态判断容易陷入一厢情愿的臆想。

第五，对于流通盘小、换手率极低的品种，筹码分布算法可能失效。因为极低的换手率意味着筹码几乎不流动，算法无法有效更新分布状态，图形会长期保持原样，失去参考意义。

起源年份考证

需要说明的是，本文考察的是“持仓成本分布”这整类技术分析方法的起源，而非某条具体代码或某个商业软件的版本。从公开文献来看，这类方法的思想萌芽可以追溯到二十世纪后半叶的西方技术分析领域。

在20世纪80年代，随着计算机在证券分析中的普及，人们开始尝试用统计方法描述市场中不同价位上的持仓量。Charles Drucker在20世纪90年代开发了名为CYCLE的指标，后来被集成到若干分析软件中，其中包含“市场成本分布”的概念。而广为人知的“筹码分布”术语则更多在中国台湾、中国大陆市场中流传。20世纪90年代末，中国股票市场进入快速成长期，部分金融软件开始将筹码分布作为标准功能推出，可以视为该类方法在中文市场中的普及起点。

因此，我们可以给出如下时间线：20世纪80年代是该类方法的雏形探索阶段；20世纪90年代初期到中期，专业分析软件中出现了使用换手率和成交数据模拟持仓成本分布的实证算法；20世纪90年代末至21世纪初，该方法被广泛商业化，成为国内主流行情软件的标配功能；近十年，随着高频数据和机器学习技术的引入，该类方法又出现了若干改进版本，比如结合订单流数据、动态衰减因子等方法。但具体到某一个作者、某一款软件最早发明的筹码分布，由于缺乏足够权威的一手文献，目前尚无法精确考证到确切年份。

改进建议

第一，引入动态换手率调节因子。不同市场阶段的有效换手率是不同的，例如牛市中换手频繁、熊市中交易清淡。可以设计一个随波动率、成交活跃度变化的系数，使得筹码转移速度更加贴近实际。在急速下跌或连续缩量时，降低扩散速度，避免分布图过度平缓。

第二，考虑除权除息与股本变动。当股票发生分红送股时，持仓成本会相应摊低或调整。改进算法应当自动识别除权除息事件，对历史筹码的价格坐标进行等比或等差修正，同时将新增解禁限售股纳入总筹码池，确保分布总量的准确性。

第三，按持仓周期区分筹码类别。长期投资者与短线交易者的行为模式完全不同。改进思路是将筹码按照平均持仓时间分成“长线筹码”“短线筹码”，长线筹码的转移速度更慢，而短线筹码则快速流动。通过双通道衰减模型，可以让分布图更符合真实的市场结构。

第四，与成交量分布互相验证。持仓成本分布与成交量分布各有侧重，可以把两者叠加观察：当某一价格同时出现成交量分布高峰和筹码分布高峰时，该价位的意义更加重大；如果两者出现背离，则说明成交活跃但筹码未积累，或者有大宗交易在盘外发生，值得警惕。

第五，增加派发概率的置信区间。既然算法是估算，就不应给出一个确定的数值。改进方向是输出不同置信水平的区间，例如“有70%的可能，10元价位的筹码量在5%～9%之间”。这样可以帮助交易者理解估算的不确定性，避免对精确数值产生过度信任。

第六，可以引入“筹码动量”指标。除了一维的分布形状，还可以计算每个价格区间筹码数量的变化率，形成“筹码净流入/流出”的热力图。筹码动量比静态分布更具领先性，能提前反映出主力资金的迁移趋势。

第七，在不同周期上分别计算并比较。日线筹码分布适合波段分析，周线筹码分布则能滤除短期噪音。改进方法允许交易者在日、周、月之间切换，并观察长周期筹码峰与短周期筹码峰的重合关系，从而判断行情的级别。

总结

持仓成本分布是一种将“价格”与“持仓量”结合起来的技术分析工具，它试图回答一个朴素的问题：市场上拿着股票的人，到底都在什么价位买的？由此延伸出的筹码密集峰、获利盘比例、筹码转移等概念，为趋势判断、支撑阻力识别、主力行为分析提供了独特的观察角度。

然而，我们必须清醒地认识到，这套方法建立在估算而非真实数据的基础上。它的准确度受模型假设、换手率数据和股本变动的影响很大，在实战中不能脱离价格与成交量的基本面去单独依赖。将筹码分布与趋势线、均线、订单流等工具结合使用，并坚持一致性验证，才能发挥其应有的价值。对于交易者来说，重要的不是记住这个指标本身，而是理解其背后的逻辑——市场的所有博弈，最终都会沉淀在成本与价格的关系之中。