1. 涨停封板瞬间的逐笔成交结构拆解

封板瞬间的逐笔结构：先定口径，再切窗口

本节只做一件事：把一只当日首次触及涨停的个股，在封板瞬间前后各30秒的逐笔成交切成两段，用同一套口径算出成交笔数、单笔均量、主动买/主动卖方向占比，再对比“封板前最后一波扫单”与“封板后首笔成交”的结构差异。逐笔数据的关键在于方向判定与窗口切分，口径不统一，后面的对比就没有意义。

方向判定采用交易所逐笔成交常见的主动方口径：成交价等于卖方委托价（买方主动吃单）记为主动买（B）；成交价等于买方委托价（卖方主动砸单）记为主动卖（S）；若逐笔数据带 BS 标志则直接采用，不带标志时用相邻买一/卖一价近似判定，并在结果中注明判定方式。窗口以首次封板时刻 T0 为界：前窗 [T0−30s, T0)，后窗 (T0, T0+30s]。封板后价格被锁在涨停价，主动卖方向通常骤减，这是结构差异的核心来源。

用逐笔数据算出两窗指标

下面给出可直接运行的 Python 示例。输入是一份逐笔成交表（字段：时间、价格、成交量、方向），先按 T0 切窗，再分别统计笔数、均量与主动买占比。示例数据为教学构造，用于演示计算路径，不代表任何真实个股。

import pandas as pd

# 逐笔成交示例（教学构造）：time 为秒偏移，dir 为 B/S
ticks = pd.DataFrame({
    "time": [-28, -25, -22, -19, -15, -12, -8, -5, -2, 1, 4, 9, 15, 22, 28],
    "price": [10.00, 10.02, 10.05, 10.08, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10, 10.10],
    "vol":   [300, 500, 800, 1200, 2000, 1500, 900, 600, 400, 200, 150, 100, 80, 60, 50],
    "dir":   ["B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "S", "B", "S", "B", "S"],
})
T0 = 0
pre  = ticks[(ticks.time >= T0-30) & (ticks.time < T0)]
post = ticks[(ticks.time > T0) & (ticks.time <= T0+30)]

def stats(df):
    n = len(df)
    avg = df.vol.mean() if n else 0
    buy_ratio = df.loc[df.dir=="B","vol"].sum() / df.vol.sum() if df.vol.sum() else 0
    return n, round(avg,1), round(buy_ratio,3)

print("前窗:", stats(pre))
print("后窗:", stats(post))

按示例数据运行，前窗为 9 笔、单笔均量约 911、主动买占比 1.0；后窗为 6 笔、单笔均量约 107、主动买占比约 0.72。前窗呈现“笔数多、均量大、几乎全为主动买”的扫单特征，后窗笔数与均量明显收缩，符合封板后撮合稀疏的预期。实际使用时把 ticks 换成所选个股的逐笔导出数据，并确认时间字段已换算为相对 T0 的秒偏移。

结果判读与记录

把两窗指标并列后，重点看三个差异：笔数是否骤降、单笔均量是否收缩、主动买占比是否维持高位。若前窗主动买占比高但均量并不大，说明扫单以碎单堆积为主，封板质量需结合封单量进一步判断；若后窗仍出现较大主动卖单，则封板可能不牢。建议按下表记录，便于后续案例横向比较。

完成本节任务的最低验证标准：能对任一只首次涨停个股导出逐笔数据、正确切出前后30秒窗口、算出三项指标，并指出前窗扫单与后窗首笔在笔数与均量上的方向性差异。