# 东方财富"筹码分布"逆向分析笔记

> 目标页面：<https://quote.eastmoney.com/concept/sz300624.html?from=classic>
> 抓取目标：页面右侧"筹码分布"图所表达的价格-持仓量数据
> 完成日期：2026-05-22

---

## 一、问题与第一直觉的误区

页面右侧的"筹码分布"是一个 **canvas** 渲染的柱状图。看到 canvas，最容易掉进两个坑：

1. **误区 A**：去解析 canvas 像素，做图像识别 → 又慢又脆弱，是最坏的方案。
2. **误区 B**：直接断言"它一定有一个 chips 接口"，去 Network 面板搜 `chip` / `cyq` 关键字 → 抓不到任何东西就以为是接口被加密了。

**正确认知**：canvas 只是渲染层。**绝大多数 canvas 图表的数据来自后端 JSON**，但也存在一种情况：**前端用更基础的数据（如 K 线）在本地算出图表所需的衍生数据**。这次的筹码分布就属于后者。

---

## 二、判定数据来源的通用三步法

遇到任何不知来源的页面数据，按这个顺序定位：

```
1. 监听完整请求生命周期 → 是 XHR / Fetch / Script(JSONP) / WebSocket / EventSource？
2. 找到触发点 → 哪个用户操作引起哪条请求？
3. 都找不到匹配请求？→ 数据多半是前端本地算的，去 JS 源码里找算法
```

本次实战路径：

| 阶段 | 操作 | 结论 |
|---|---|---|
| ① 用户初判 | 在 Network 面板按"筹码分布"按钮后搜 `chip` | 搜不到 → 误以为是普通 K 线接口 `kline/get` |
| ② 工具复核 | 用 MCP `js-reverse` 打开页面，程序化点击"日K" + "筹码分布"按钮，对比点击前后的所有请求 | 发现点击筹码分布后**唯一新增的 script 请求仍是同一个 K 线接口** |
| ③ 推论 | 既然没有专门接口，必是前端算的 | 去前端代码里找算法 |
| ④ 定位算法 | 在 `quotechart2022.js` 里搜 `cyq`（"筹码"拼音首字母）| 找到 `./src/modules/tools/indicator/cyq.ts` 里的 `CYQCalculator` 类 |

> 关键命名线索：东方财富前端**用拼音首字母给模块命名**——筹码分布 = ChouMaYun → `cyq`、除权除息 = ChuQuanChuXi → `cqcx`。遇到中文产品名的接口/类，先试拼音首字母。

---

## 三、定位过程的关键证据

### 证据 1：点击前后请求对比

点击"筹码分布"按钮前后，所有 XHR/Fetch/Script 请求里**没有任何新的数据接口**，只新增了：

- 两条埋点 `Web_Event.gif`（用户行为统计）
- 一条与 K 线主图共用的 `push2his.eastmoney.com/api/qt/stock/kline/get`（点击触发了图表重绘）

→ 没有专属接口 = 数据是前端算的。

### 证据 2：DOM 容器命名

```html
<div class="quotechart2022_c_cyq">
  <canvas width="270" height="577"></canvas>
</div>
```

`cyq` 容器的存在直接坐实了模块归属。

### 证据 3：源码模块路径

`quotechart2022.js` 包含两个 cyq 相关 webpack 模块：

- `./src/modules/kline/cyq.ts`（drawCYQ —— 画图）
- `./src/modules/tools/indicator/cyq.ts`（CYQCalculator —— **算法**）

源码大小适中（约 2KB），适合人肉逆向。

---

## 四、CYQCalculator 算法精解

### 4.1 输入输出

```
输入:
  klinedata : [{open, close, high, low, hsl}, ...]   K 线 + 换手率
  fator     : 150                                    价格档位数 (默认)
  range     : None | int                             滑窗根数 (None=全部)
  e         : int                                    要算到第几根 K 线 (索引)

输出:
  x            : [w0, w1, ..., w149]                 各价位的筹码权重
  y            : [p0, p1, ..., p149]                 对应的价格档
  benefitPart  : float                               获利比例
  avgCost      : "xx.xx"                             平均成本 (50% 分位价)
  percentChips : { 90: {...}, 70: {...} }            成本集中区间
```

### 4.2 算法本质：三角分布 + 指数衰减

筹码分布建模思路：

1. **价格离散化**：把 [min(low), max(high)] 等分成 150 档。
2. **每根 K 线视为一笔"新筹码"**：成交量按"三角分布"分摊到当日的价格区间——平均价处最密，向 high/low 两端线性递减。
3. **换手率作为衰减因子**：当日换手率 `A = hsl/100`，意味着旧筹码被替换 A 比例。所以处理每根 K 线时：
   - 旧筹码先衰减：`chips[*] *= (1 - A)`
   - 新筹码再叠加：用三角形 PDF 把 `A` 单位的筹码摊进 [low, high] 区间。

这个模型的合理性：**老股东持仓被换手稀释**，**新成交价格在均价附近最密集**——符合直觉。

### 4.3 三角分布的 PDF 公式

对当日 K 线（low=L, high=H, mid=M=(O+C+H+L)/4），在价格 x 处的权重：

```
峰值     y₀ = 2 / (H - L)        (面积归一化为 1)
左半区:  x ∈ [L, M]              w(x) = (x - L) / (M - L) · y₀
右半区:  x ∈ (M, H]              w(x) = (H - x) / (H - M) · y₀
其他:                            w(x) = 0
```

最终再乘以本日换手比例 `A`，叠加到对应价格档位。

### 4.4 衍生指标

- **获利比例** `benefitPart`：当前 close 之下的累计筹码占比（即"在当前价位之下买入的人都赚了"）。
- **平均成本** `avgCost`：累计筹码到 50% 时对应的价格（中位数成本）。
- **N% 成本区间** `percentChips[N]`：累计筹码从 `(1-N)/2` 到 `(1+N)/2` 区间对应的价格段——例如 90% 意味着丢掉最高 5% 和最低 5% 的极端档位。
- **集中度** `concentration = (high - low) / (high + low)`：区间相对宽度，**越小代表筹码越集中**。

---

## 五、Python 复刻关键细节

### 5.1 接口参数

```python
url = "https://push2his.eastmoney.com/api/qt/stock/kline/get"
params = dict(
    secid   = "0.300624",                                # 0.=深市, 1.=沪市
    ut      = "fa5fd1943c7b386f172d6893dbfba10b",        # 通用 token，无需动态获取
    fields1 = "f1,f2,f3,f4,f5,f6",
    fields2 = "f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61",
    klt     = 101,        # 101=日K, 102=周K, 103=月K, 5/15/30/60=分钟K
    fqt     = 1,          # 0=不复权, 1=前复权, 2=后复权 (网页默认前复权)
    end     = "20990101",
    lmt     = 210,        # 网页用 210 根
    cb      = "cb",       # JSONP 回调名占位
)
```

### 5.2 K 线返回字段映射 (fields2)

| 字段 | 含义 | 备注 |
|---|---|---|
| f51 | 日期 | `YYYY-MM-DD` 字符串 |
| f52 | 开盘 | |
| f53 | 收盘 | |
| f54 | 最高 | |
| f55 | 最低 | |
| f56 | 成交量 | 单位：手 |
| f57 | 成交额 | |
| f58 | 振幅 | % |
| f59 | 涨跌幅 | % |
| f60 | 涨跌额 | |
| f61 | **换手率** | **筹码算法必需** % |

数据格式：`data.klines` 是字符串数组，每行用 `,` 拼接，按 `fields2` 顺序对应。

### 5.3 JSONP 剥壳

```python
import re, json, requests
r = requests.get(url, params=params, timeout=10)
data = json.loads(re.search(r"\((.*)\);?$", r.text.strip()).group(1))["data"]
```

### 5.4 算法移植注意点

1. **`a/b||0` 这种 JS 习惯写法** —— Python 翻译时要加空值兜底：`(d["hsl"] or 0) / 100`。
2. **`toPrecision(12)/1`** —— JS 用来截断浮点误差，Python 用普通浮点累加误差也小到可忽略，无需特意处理。
3. **`.toFixed(2)`** 返回字符串 —— Python 用 `f"{x:.2f}"` 对齐，**别用 `round()`**（类型不一致会害下游对比）。
4. **`Math.floor / Math.ceil`** —— 直接 `math.floor / math.ceil`。
5. **边界处理** —— `if abs(m - low) < 1e-8` 这种是避免除零，必须保留。

---

## 六、用 MCP js-reverse 做浏览器逆向的实战姿势

这次实战用到的关键能力：

| 工具 | 用途 |
|---|---|
| `new_page` / `select_page` | 控浏览器开页面 |
| `evaluate_script` | 程序化点击、读 DOM、查 window 全局变量 (注意 `mainWorld:true` 才能拿到页面真实 JS 上下文) |
| `list_network_requests` | 关键。可按 `resourceTypes` 过滤、按 `urlFilter` 子串过滤 |
| `search_in_sources` | 全量 JS 源码搜关键字。**逆向利器** —— 用拼音首字母搜中文功能模块 |
| `get_script_source` | 取指定行/字节范围的源码（minified 文件用 `offset/length`） |

### 标准逆向流程模板

```
1. new_page → 打开目标
2. evaluate_script (DOM/click) → 触发目标功能
3. list_network_requests → 找触发后新增的请求
   ├─ 找到了 → 复刻接口参数即可
   └─ 找不到 → 进入第 4 步
4. search_in_sources → 用功能关键字 (拼音首字母 / 英文 / 业务名) 搜源码
5. get_script_source → 读出算法
6. 把算法移植到 Python / 其他语言
```

---

## 七、本案例可复用的通用经验

1. **canvas ≠ 数据被加密**。先排查请求层，再排查 JS 计算层，最后才考虑像素解析。
2. **"点击触发"功能**：一定要程序化对比点击前后的请求差，肉眼看 Network 面板容易漏。
3. **中文产品名的逆向**：试拼音首字母（cyq / cqcx / hsl / jzlx ...）。
4. **JSONP 接口**：是 `script` 类型而不是 `xhr`，按 resourceType 过滤时别漏。
5. **东方财富的字段编号体系**（f1~f9xx）有公开整理资料，遇到陌生字段先查表再猜。
6. **`ut` 参数** `fa5fd1943c7b386f172d6893dbfba10b` 是东方财富一个长期通用的访问 token，可以直接硬编码。

---

## 八、文件清单

- `eastmoney_spider.py` —— 抓取脚本（含完整算法移植）
- `筹码分布逆向分析.md` —— 本文档

## 九、验证结果

| 指标 | 截图（2026-05-21 盘中） | 本脚本（2026-05-22 收盘后） |
|---|---|---|
| 平均成本 | 69.05 | 68.64 |
| 获利比例 | 0.18% | 0.73% |
| 价格区间 | 61.16 ~ 125.17 | 与之极接近 |
| 主峰位置 | 70 元附近 | 67~68 元（权重最高 15 档全在此区间） |

差异在合理范围（差一日 + 盘中/收盘价差），**算法移植正确**。