AI Agent 的 工作流编译器

使用 flowx-remote 创建一个名字是 stock_pressure 的工作流。

根据下述理论构建一个工作流，根据最近 n 个交易日（用户指定）计算出指定股票（用户指定）庄家未来可能出货的价格位置，并在图表上显示。

庄家出货压力峰预测理论模型

一、模型目标

根据历史成交数据、筹码分布、庄家成本和历史高点信息，寻找未来可能形成出货压力的价格区域。

核心假设：
1. 庄家在股价大跌后低位吸筹。
2. 吸筹阶段形成庄家平均成本区。
3. 后续拉升过程中，庄家通过试盘测试上方卖压。
4. 历史大量成交区域和前期高点会形成动态压力。
5. 出货压力点由多因素共同决定。

二、输入数据

每日行情：
Date: 日期
Open: 开盘价
High: 最高价
Low: 最低价
Close: 收盘价
Volume: 成交量

三、筹码分布模型

将价格区间划分为 N 个价格桶。

对于每个价格区间 p：
C(p)=Σ Volume(t)

其中：
C(p) 表示该价格区域累计成交筹码数量。

成交峰值：
P_peak = argmax C(p)

表示市场成本最密集区域。

四、庄家吸筹成本估计

选择吸筹阶段：

条件：
1. 股价经历大幅下跌。
2. 成交量明显放大。
3. 股价进入横盘震荡。

庄家平均成本：
C_dealer = Σ(P_t × V_t) / ΣV_t

其中：
P_t: 成交价格
V_t: 成交量

得到庄家主要持仓成本。

五、历史压力峰计算

定义压力评分：
Pressure(p)= w1C(p) + w2High_Test(p) + w3Profit(p) + w4Gain(p)

其中：
1. 成交密集压力 C(p)
表示该价格区域历史交易筹码数量。

2. 历史高点压力 High_Test(p)
统计：
- 历史是否出现过高点
- 是否多次冲高失败
- 是否形成顶部区域

3. 获利盘压力 Profit(p)
计算：
Profit(p)=ΣC(x), x<p

表示当前价格以下有多少筹码处于盈利状态。

盈利筹码越多：
潜在卖压越大。

4. 庄家收益压力 Gain(p)
Gain(p)= (p-C_dealer)/C_dealer

表示庄家在该价格位置的理论收益。

六、压力峰搜索算法

步骤1：
建立价格-成交量矩阵：
price_bins = divide(min_price,max_price,N)

步骤2：
统计：
volume_profile[p]

步骤3：
计算每个价格位置：
Pressure Score

步骤4：
排序：
Score 最高的位置作为第一压力峰。

输出：
Pressure_1
Pressure_2
Pressure_3

分别代表：
第一压力区
第二压力区
第三压力区

七、动态试盘验证

庄家拉升过程中观察：

情况 A：
价格上涨，成交量下降。
说明：上方阻力较小。

情况 B：
价格上涨，成交量突然放大，同时出现长上影线，随后回落。
说明：该价格区域存在大量卖盘。

定义：
P_pressure = 当前测试失败价格

八、综合出货价格模型

最终预测：
P_exit = argmax Pressure(p)

即：
最大压力评分对应价格。

实际计算：
P_exit ≈ 庄家成本 × (1+r)

并且：
接近历史成交峰。

其中：
r: 庄家目标收益率。

九、Python 实现思路

输入：
K 线数据 DataFrame

计算：
1. 计算成交量分布
2. 估计庄家成本
3. 寻找历史高点
4. 计算盈利筹码比例
5. 计算 Pressure Score
6. 输出压力峰

伪代码：
for price in price_bins:
        score = (
                w1 * volume_density(price)
                + w2 * historical_high(price)
                + w3 * profit_ratio(price)
                + w4 * dealer_gain(price)
        )

rank(score)

return top_pressure_prices

十、最终解释

庄家未来可能出货的位置，不是简单的历史最高价。