1. 尾段价格回落识别：分时均价与瞬时价背离初筛

任务拆解：把“感觉在跌”变成可核对的背离清单

尾段回落的第一层识别，不是先算跌幅，而是先回答一个问题：14:30 之后，瞬时价是否持续运行在分时均价下方，并且偏离得足够明显？分时均价（当日累计成交额 ÷ 累计成交量）代表全天成交的平均成本线，瞬时价跌破它并拉开距离，说明尾段新增成交在压低整体持仓成本，是回落初筛的可靠信号。

本例对单个交易日做三件事：取 14:30 之后的分时数据，逐分钟计算背离幅度 D = (P_avg − P) / P_avg × 100%（正值表示瞬时价低于均价），筛出 D ≥ 阈值 的时段，输出时段清单。阈值取 0.30% 作为初筛线，它足够宽松以捕捉真实回落，又足够严格以过滤正常抖动。

计算口径与判定规则

• P：该分钟收盘瞬时价；P_avg：该分钟的分时均价（累计成交额/累计成交量）。
• 背离幅度 D：以均价为基准的百分比偏离，正值为价格低于均价。
• 初筛条件：D ≥ 0.30% 记为“背离时段”；连续背离时段合并为一段，段内最长持续分钟数记为持续时长。
• 排除项：若某分钟成交量极小（如低于尾段均量的 10%），该分钟背离不计入，避免零星成交造成的假信号。

示例数据与逐分钟计算

下表为某交易日 14:30 后的分时片段（示例数据，用于演示计算过程）。均价由累计成交额与累计成交量推算，D 按上式逐分钟计算。

按规则合并后，输出清单为：14:47–15:00，持续 13 分钟，最大背离 0.97%，平均背离约 0.73%。14:40 的 0.29% 未达阈值，不进入清单，但可作为“临界观察点”保留，便于次日对比。

可执行的计算脚本

把分时数据整理为 time, price, avg_price, vol_ratio 四列后，用下面脚本直接产出时段清单。脚本自包含，输入为示例列表，替换数据即可复用。

from datetime import datetime

THRESHOLD = 0.30      # 背离阈值 %
MIN_VOL_RATIO = 0.10  # 低量过滤线

bars = [
    ("14:30", 10.42, 10.43, 1.0),
    ("14:40", 10.38, 10.41, 1.0),
    ("14:47", 10.33, 10.37, 1.0),
    ("14:52", 10.28, 10.35, 1.0),
    ("14:58", 10.24, 10.33, 1.0),
    ("15:00", 10.22, 10.32, 1.0),
]

def divergence(p, avg):
    return (avg - p) / avg * 100

segments, cur = [], None
for t, p, avg, vr in bars:
    d = divergence(p, avg)
    hit = d >= THRESHOLD and vr >= MIN_VOL_RATIO
    if hit:
        if cur is None:
            cur = {"start": t, "end": t, "max_d": d, "sum_d": d, "n": 1}
        else:
            cur["end"] = t
            cur["max_d"] = max(cur["max_d"], d)
            cur["sum_d"] += d
            cur["n"] += 1
    elif cur is not None:
        segments.append(cur); cur = None
if cur is not None:
    segments.append(cur)

for s in segments:
    print(f"{s['start']}-{s['end']} 最大背离 {s['max_d']:.2f}% "
          f"平均背离 {s['sum_d']/s['n']:.2f}% 分钟数 {s['n']}")

预期输出：14:47-15:00 最大背离 0.97% 平均背离 0.73% 分钟数 4。若把阈值改为 0.20%，14:40 会被并入，清单起点提前到 14:40，说明阈值选择直接决定初筛灵敏度，需在固定口径下横向比较不同交易日。