4. 资金迁移方向的可视化与阶段划分

资金迁移方向图的数据组织

要把“资金从哪个板块流向哪个板块”画清楚，先要确定迁移矩阵的构造口径。本节采用相邻交易日净流入变化量作为迁移强度的代理指标：对板块 i 在交易日 t，记其日度净流入为 F(i,t)（单位：亿元），则迁移强度定义为

ΔF(i,t) = F(i,t) − F(i,t−1)

当 ΔF(i,t) > 0 时，说明该板块当日相对前一日获得增量资金；当 ΔF(i,t) < 0 时，说明资金相对流出。由于全市场资金近似守恒，正增量板块与负增量板块之间存在此消彼长的对应关系，这正是“迁移方向”的可视化基础。

为了让方向图可读，需要把原始增量压缩成有向边。常用做法是：取当日增量最大的前 k 个板块作为“资金接收方”，增量最小的前 k 个板块作为“资金供给方”，按增量绝对值比例分配边权，形成供给方 → 接收方的有向加权图。示例数据如下（教学示例，非实测）：

按边权比例分配后，可得到“银行→半导体 8.9、银行→军工 3.8、地产→半导体 5.2、地产→军工 2.3、煤炭→半导体 2.4、煤炭→军工 1.3”等有向边。方向图的价值在于：它把分散在各板块的净流入数字，转成一眼可见的“谁在供血、谁在吸血”的拓扑结构。

迁移强度与阶段划分规则

仅有方向还不够，还需要判断当前处于迁移的哪个阶段。本节用迁移强度指数 M(t) 刻画当日资金迁移的剧烈程度：

M(t) = Σ|ΔF(i,t)| / Σ|F(i,t−1)|

该比值越大，说明资金在板块间的重新配置越剧烈。为抑制单日噪声，再对 M(t) 做 5 日移动平均得到 MA5(M)，并据此划分四个阶段：

• 静默期：MA5(M) < 0.15，资金迁移微弱，方向图边稀疏、边权小。
• 启动期：0.15 ≤ MA5(M) < 0.30 且较前 5 日抬升，方向图开始出现稳定的主边。
• 加速期：0.30 ≤ MA5(M) < 0.55，方向图主边变粗、供给方与接收方分化明显。
• 过热期：MA5(M) ≥ 0.55，迁移强度极高，方向图可能出现多边并发、角色频繁互换。

阶段标签不是孤立结论，而是后续错位判断的输入：静默期与启动期适合观察方向图的“主边是否稳定”，加速期与过热期则要警惕主边反转带来的错位信号。

阶段标签的落地计算

下面给出可直接运行的 Python 片段，输入为已清洗的板块日度净流入序列（宽表，索引为交易日，列为板块），输出每日迁移强度、阶段标签以及当日方向图的边列表。代码不依赖未展示的前序实现，可独立运行。

import numpy as np
import pandas as pd

def build_migration(df_flow: pd.DataFrame, top_k: int = 3) -> pd.DataFrame:
    """df_flow: index=交易日, columns=板块, values=日度净流入(亿元)"""
    delta = df_flow.diff()                      # ΔF(i,t)
    total_prev = df_flow.shift(1).abs().sum(axis=1)
    m = delta.abs().sum(axis=1) / total_prev.replace(0, np.nan)
    ma5 = m.rolling(5, min_periods=3).mean()

    def stage(x):
        if pd.isna(x):
            return "未定"
        if x < 0.15:
            return "静默期"
        if x < 0.30:
            return "启动期"
        if x < 0.55:
            return "加速期"
        return "过热期"

    out = pd.DataFrame({"M": m, "MA5_M": ma5, "阶段": ma5.map(stage)})
    return out

def daily_edges(delta_row: pd.Series, top_k: int = 3):
    """按增量排序，构造供给方→接收方的有向边"""
    s = delta_row.dropna().sort_values()
    suppliers = s.head(top_k)      # 最负
    receivers = s.tail(top_k)      # 最正
    if suppliers.sum() == 0 or receivers.sum() == 0:
        return []
    edges = []
    for sup, sv in suppliers.items():
        for rec, rv in receivers.items():
            w = abs(sv) * (rv / receivers.sum())
            edges.append((sup, rec, round(w, 2)))
    return edges

# 教学示例数据（非实测）
idx = pd.date_range("2024-01-02", periods=12, freq="B")
demo = pd.DataFrame({
    "半导体": [10, 11, 12.4, 28.9, 30.1, 31.0, 29.5, 33.2, 35.0, 34.1, 36.2, 37.0],
    "军工":   [4.8, 5.0, 5.1, 14.7, 15.2, 16.0, 15.1, 17.3, 18.0, 17.6, 18.4, 19.0],
    "银行":   [30.0, 30.8, 31.2, 18.5, 17.9, 17.2, 18.0, 15.4, 14.8, 15.1, 14.2, 13.9],
    "地产":   [9.2, 9.5, 9.8, 2.3, 2.1, 2.0, 2.4, 1.8, 1.6, 1.7, 1.5, 1.4],
    "煤炭":   [6.2, 6.4, 6.6, 2.9, 2.7, 2.6, 2.8, 2.3, 2.1, 2.2, 2.0, 1.9],
}, index=idx)

res = build_migration(demo)
print(res.tail(6))
print(daily_edges(demo.diff().iloc[3], top_k=3))

运行后 res 会给出每日的 M、MA5_M 与阶段标签；daily_edges 返回当日方向图的边列表，可直接喂给绘图函数。示例数据中第 4 个交易日（2024-01-05）的迁移强度明显抬升，阶段标签会从静默期切换到启动期，方向图主边集中在“银行/地产 → 半导体/军工”。

结果判读与阶段标签校验

方向图与阶段标签生成后，需要做两项基本校验，避免把噪声当成迁移信号：

1. 主边稳定性：连续 3 个交易日的主边（边权最大的那条）是否指向同一接收方。若主边频繁反转，说明当前阶段标签可能被单日异常值推高，应回看原始 ΔF 是否存在停牌复牌或涨跌停导致的跳变。
2. 阶段与边数一致性：静默期方向图边数应偏少且边权小；若静默期出现多条粗边，说明 top_k 取值过大或分母口径不一致，需要重新核对 M(t) 的计算。

通过校验后，每个交易日都会得到“方向图 + 阶段标签”的组合输出，这正是后续轮动错位判断所需的阶段化输入。