企业官网建设流程全解析

马年开工第一天，我盯着屏幕上的AI板块分时图，脑子里冒出来的第一个念头不是“今天涨了还是跌了”，而是“这个板块内部已经分裂成两个阵营了”。一边是算力、光模块这些硬科技标的持续拉升，另一边是部分应用端个股冲高回落，这种分化如果靠肉眼盯盘，根本看不过来，更别说还要在盘中快速做出反应。

这篇文章要聊的就是我用TickDB实时行情API加Python搭的一套A股AI板块分化度监控小工具。它能做到：开盘后每分钟自动拉取AI板块主要成分股的实时报价，计算板块整体涨幅、个股离散度、强势股与弱势股占比，然后把分化信号直接标记出来。整个过程用Python实现，核心代码量不算大，适合对量化监控、行情数据接口感兴趣的开发者和交易爱好者参考。

1. 项目整体设计与思路拆解

1.1 为什么盯“分化行情”而不是单纯看涨跌

很多人看板块只看指数涨跌幅，比如AI板块今天涨了1.5%，就觉得整个板块都不错。但实际情况远没有这么简单。板块指数是一个平均值，它掩盖了个股之间的巨大差异。同样是AI板块，可能一边是某算力龙头盘中涨到7%，另一边是某AI应用公司跌了3%，这种情况下“板块涨1.5%”这个数字几乎没有操作参考价值。

我想要的不是“板块涨了没有”，而是“板块内部到底在发生什么”。具体来说有三个问题：第一，领涨的个股占比有多大，是普遍上涨还是少数个股撑着指数；第二，个股涨幅的离散程度有多高，是步调一致还是各走各的；第三，强势股和弱势股在板块内的分布有没有规律，比如是不是集中在某个细分赛道。

这三个问题组合起来，就是“分化行情”的量化刻画。当分化度快速升高时，说明市场对AI板块内部各细分方向的预期出现了明显分歧，这时候追涨杀跌都很容易做反，反而是观察和等待的好时机。反过来，当分化度收窄时，说明板块可能正在酝酿一致性行情。

1.2 为什么选择TickDB实时行情API

做盘中实时监控，数据源是第一道坎。A股行情数据虽然有免费渠道，但多数在实时性、稳定性、字段完整度上都有明显短板。我选择TickDB实时行情API，主要看中三个点。

第一是实时性。TickDB的行情接口刷新频率可以做到秒级，而且支持WebSocket和HTTP轮询两种方式。我做的是分钟级监控，用HTTP轮询就够，不需要维护长连接，代码复杂度低很多。但如果你想做秒级甚至tick级策略，它也能撑得住。

第二是数据覆盖。AI板块没有一个绝对权威的成分股名单，不同平台的划分逻辑差异很大。TickDB提供板块成分股接口，按行业标签和概念标签做了区分，我可以直接拉取AI概念相关的成分股列表，省去自己维护名单的麻烦。这个字段本地券商软件通常不开放，能通过API直接拿到的服务商也不多。

第三是API设计干净。TickDB的RESTful接口返回标准的JSON结构，字段命名直观，没有一堆冗余嵌套，Python的requests库直接就能解析，几乎不需要写额外的数据清洗层。这一点对快速搭建原型来说价值很大。

1.3 整体技术方案和流程

整个项目的流程可以梳理成四个环节：拉取AI板块成分股、获取成分股实时行情、计算分化指标、输出监控信号。

数据流向是：TickDB行情服务器 → Python客户端程序 → 内存中的DataFrame → 指标计算模块 → 控制台输出或图表展示。我选择用Python的pandas做数据承载和计算，原因是它处理表格型数据太方便了，分组、聚合、统计描述都是一行代码的事情。

在计算环节，我设计了三个核心指标：板块加权平均涨幅、涨幅标准差和离散系数。后面我会详细解释这三个指标各自的含义和用法。

工具选型上，除了requests和pandas，还用了schedule库做定时调度，matplotlib做收盘后的可视化复盘。整个依赖栈非常轻，Python 3.9以上都可以跑。

注意：这个项目的定位是行情监控和数据分析，不构成任何投资建议。量化指标只是辅助观察市场的工具，最终决策需要你自己判断。

2. TickDB API核心概念与接入准备

2.1 TickDB是什么

TickDB本质上是一个面向金融行情场景的时序数据服务，它解决的是“高频、多标的、长周期”行情数据的存储和读取问题。传统关系型数据库在处理几千只股票的实时报价时很容易成为瓶颈，TickDB底层用列式存储和分区索引，按时间戳组织数据，查询性能好很多。

当然，普通投资者不需要关心底层存储引擎的细节，我们直接从API层面使用它就行。TickDB对外提供两种数据接口：第一种是实时快照接口，返回某个时间点上所有请求标的的最新行情；第二种是历史K线接口，返回过去某个时间窗口的分钟线或日线。这个项目主要用实时快照接口，历史K线接口可以做复盘验证。

2.2 获取API密钥和权限开通

使用任何收费或限量的API服务，第一步都是注册账号、开通权限。TickDB目前提供免费试用额度，个人开发者注册后在控制台创建一个应用，系统会生成一个API Key。

这个API Key就是你的身份凭证，所有请求都需要通过请求头X-API-Key传给服务端。有一点需要特别注意：API Key相当于你的密码，不要硬编码在代码里然后上传到公开的代码仓库，也不要发给其他人。如果发现Key泄露，立即在控制台重置。

2.3 Python开发环境准备

我假设你已经安装了Python 3.9或更高版本。还没装的话，去官网下载安装包，注意勾选“Add Python to PATH”这个选项，否则命令行里识别不到python命令。

接着创建虚拟环境并安装依赖包：

mkdir ai-sector-monitor cd ai-sector-monitor python -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate pip install requests pandas schedule matplotlib python-dotenv

我在项目里用了python-dotenv来管理API Key，这样代码里不会出现明文密钥。项目根目录下新建一个.env文件，写入：

TICKDB_API_KEY=你的密钥

然后在主程序里这样加载：

import os from dotenv import load_dotenv load_dotenv() API_KEY = os.getenv("TICKDB_API_KEY")

一个不算坑但很容易忽略的点：.env文件记得加进.gitignore，否则提交代码的时候密钥就跟着走了。我见过不止一个人因为这个习惯不好，把密钥暴露在GitHub上，然后被恶意调用扣费。

3. 实时行情获取与数据清洗实现

3.1 封装TickDB客户端

在写业务逻辑之前，我先把TickDB的HTTP请求封装成一个独立的类，这样后面所有数据获取都走同一个入口，代码会清爽很多。

import requests import pandas as pd class TickDBClient: BASE_URL = "https://api.tickdb.cn/v1" def __init__(self, api_key: str): self.api_key = api_key self.session = requests.Session() self.session.headers.update({ "X-API-Key": api_key, "Content-Type": "application/json" }) def get_sector_constituents(self, sector_code: str = "AI") -> pd.DataFrame: """获取板块成分股列表""" resp = self.session.get( f"{self.BASE_URL}/sector/constituents", params={"sector_code": sector_code} ) resp.raise_for_status() data = resp.json() return pd.DataFrame(data["data"]["stocks"]) def get_realtime_quotes(self, symbols: list[str]) -> pd.DataFrame: """获取多只股票的实时行情快照""" resp = self.session.post( f"{self.BASE_URL}/quote/realtime", json={"symbols": symbols} ) resp.raise_for_status() data = resp.json() return pd.DataFrame(data["data"]["quotes"])

这里用了requests.Session而不是直接requests.get，好处是复用底层的TCP连接，多次请求时能减少握手开销。虽然分钟级轮询对性能要求不高，但这是一个好习惯。

3.2 拉取AI板块成分股

AI板块的成分股名单是动态调整的，所以不要在代码里写死，每次都通过接口实时拉取。TickDB的板块划分支持概念板块和行业板块，AI相关标的在概念板块里会有多个标签，比如“AIGC”“算力”“大模型”“智能驾驶”等。

我建议拉取的核心列表设定为一个相对宽泛的AI概念池，大约50只左右，覆盖算力硬件、AI芯片、大模型、应用软件、AIGC等细分方向。这个池子不求精确到每只股票都纯正AI概念，只求“大方向不跑偏”，因为我们的目标是观察板块内部分化，样本量太少反而统计意义不大。

client = TickDBClient(API_KEY) constituents_df = client.get_sector_constituents(sector_code="AI") print(f"拉取到 {len(constituents_df)} 只AI概念股") print(constituents_df.head())

返回的DataFrame通常包含股票代码、股票名称、所属细分方向、是否为指数权重股等字段。我会把细分方向这一列保留下来，后面做板块内部子方向对比时会用到。

3.3 获取实时行情并做标准化清洗

拿到成分股列表后，把股票代码拼成列表，传给实时行情接口：

symbols = constituents_df["symbol"].tolist() quotes_df = client.get_realtime_quotes(symbols)

TickDB返回的实时行情JSON结构大概是这样的：

{ "symbol": "000001", "name": "示例科技", "price": 23.45, "pre_close": 22.10, "open": 22.60, "high": 23.80, "low": 22.40, "volume": 12345678, "amount": 289000000, "timestamp": "2026-02-05 10:30:00" }

拿到DataFrame后，不能直接用，至少要做三件事：

第一，计算涨跌幅。接口给的是价格和昨收，涨跌幅需要自己算：(price - pre_close) / pre_close。这里有一个边界情况要注意：如果某只股票当天停牌，price会等于pre_close，涨跌幅是0，但它的成交量也是0，这种数据要标记出来，不能当作正常数据参与统计。

第二，剔除异常值。比如某只新股上市首日没有pre_close，接口可能返回0或null，这时候涨跌幅计算会出现Division by Zero或者极端的正负无穷值，必须过滤掉。

第三，类型转换。接口返回的数值字段有时候是字符串，需要统一转成float，否则pandas的计算结果会是object类型，后面做统计时容易出莫名奇妙的错误。

清洗逻辑封装成函数：

def clean_quotes(df: pd.DataFrame) -> pd.DataFrame: """清洗实时行情数据""" if df.empty: return df # 类型转换 for col in ["price", "pre_close", "open", "high", "low", "volume", "amount"]: df[col] = pd.to_numeric(df[col], errors="coerce") # 计算涨跌幅 df["pct_change"] = (df["price"] - df["pre_close"]) / df["pre_close"] # 过滤停牌和异常数据 df = df[df["pre_close"] > 0] df = df[df["volume"] >= 0] df = df[df["pct_change"].between(-0.11, 0.11)] # 剔除缺失值 df = df.dropna(subset=["price", "pre_close", "pct_change"]) return df

提示：between(-0.11, 0.11)这个过滤范围是我针对A股涨跌停幅度设置的。主板个股涨跌幅限制是10%，ST股是5%，科创板和创业板是20%。如果你监控的池子里包含创业板或科创板股票，这个范围值要相应放宽到-0.21到0.21，否则会误删正常的涨停数据。

这里就是很多人容易踩的坑。我第一次跑脚本的时候用了统一的10%过滤范围，结果把一批科创板的大涨股票全过滤掉了，导致板块涨幅被严重低估，整个分化指标算出来完全是错的。

3.4 合并数据构建分析主表

清洗完行情数据后，需要把行情数据、成分股信息和细分标签合并成一张宽表，供指标模块使用：

def build_analysis_frame(constituents_df: pd.DataFrame, quotes_df: pd.DataFrame) -> pd.DataFrame: """合并成分股信息和实时行情""" merged = constituents_df.merge( quotes_df, left_on="symbol", right_on="symbol", how="inner" ) return merged

用how="inner"做内连接的意思是，只保留既在成分股列表又在行情返回中出现过的股票，两边任何一边缺失都不参与计算。这样能避免成分股名单里有但行情没返回时产生空行，也能避免行情返回了但不在我关注的成分股列表里的杂票混进来。

4. 分化度量化指标与算法详解

4.1 什么叫“涨得不够整齐”

在量化语境下，分化度衡量的是同一组标的价格表现的异质性。如果所有股票都涨了3%，那就是完全一致行情，分化度为0；如果一半股票涨了6%，另一半跌了2%，分化度就很高。

生活化的类比是班级考试成绩：如果全班同学都考了80到85分，这个班的成绩非常整齐，老师讲起课来很轻松；如果一半人考了95分，另一半人考了40分，平均分看起来也有67分，但实际上是两极分化。只看平均分会严重误导你的判断，必须看分数的分布。

因为均值和方差才能完整描述一个分布的形态。

4.2 三个核心指标：平均涨幅、标准差、离散系数

我把核心指标设计为三个，各有各的用途：

板块平均涨幅

mean_pct = df["pct_change"].mean()

这是所有成分股涨跌幅的算术平均值，反映板块整体的温度。注意我用的是算术平均而不是加权平均，也就是说每只股票权重相同，不区分市值大小。这样做的原因是：我们对分化的观察希望偏向“个股的普遍状态”，而不是被大权重股主导。如果某只巨无霸权重股涨了5%，把板块指数带红，但小票全是绿的，指数是失真的，算术平均才能反映真实的普适状态。

板块涨幅标准差

std_pct = df["pct_change"].std()

标准差衡量的是个股涨跌幅围绕均值的分散程度。标准差越大，说明个股之间涨得越不均匀，分化越明显。在统计上，如果涨跌幅近似正态分布，那么大约68%的股票会落在“平均值正负一个标准差”的区间内。这个直觉很有用：当标准差是2个百分点时，你大概能预期三分之二的股票涨跌幅差异在4个百分点以内；当标准差拉到4个百分点以上，个股表现差距可能超过8个百分点，这是非常剧烈的分化。

离散系数（变异系数）

cv = std_pct / abs(mean_pct) if mean_pct != 0 else float("inf")

离散系数是标准差除以平均值的绝对值，用来消除均值大小对离散程度的干扰。为什么要额外看这个指标？举个极端例子：如果板块平均涨幅是5%，标准差也是1个百分点，那这个波动并不算大，因为基数高；但如果板块平均涨幅只有0.2%，标准差还是1个百分点，相对波动就非常剧烈了，说明板块几乎失控，方向极度不明确。离散系数能反映出这种“在低均值背景下高波动”的情况，这在判断行情拐点时很有参考价值。

4.3 补充结构指标：强势股占比与分化系数

除了上述三个基本统计量，我还额外构造了两个结构指标，让判断更立体。

强势股占比：涨跌幅大于3%的个股占全部成分股的比例。这个比例高于50%说明普涨，低于20%说明极弱市。

分化系数：取涨跌幅绝对值大于5%的个股数量与涨跌幅绝对值小于1%的个股数量的比值。这个比值越高，说明资金越集中在部分标的上，方向分歧越明显。

我实际写代码时会把它们一起封装成一个函数：

def calculate_dispersion_metrics(df: pd.DataFrame) -> dict: """计算板块分化指标""" metrics = {} # 基础统计 metrics["stock_count"] = len(df) metrics["mean_pct"] = df["pct_change"].mean() metrics["median_pct"] = df["pct_change"].median() metrics["std_pct"] = df["pct_change"].std() # 离散系数 mean_val = metrics["mean_pct"] metrics["cv"] = metrics["std_pct"] / abs(mean_val) if mean_val != 0 else float("inf") # 强势股占比：涨幅 > 3% strong_count = (df["pct_change"] > 0.03).sum() metrics["strong_ratio"] = strong_count / len(df) # 分化系数：|涨幅|>5% 与 |涨幅|<1% 的数量比 extreme_count = (df["pct_change"].abs() > 0.05).sum() mild_count = (df["pct_change"].abs() < 0.01).sum() metrics["divergence_ratio"] = extreme_count / mild_count if mild_count > 0 else float("inf") # 细分子方向表现 sector_group = df.groupby("sub_sector")["pct_change"].agg(["mean", "std", "count"]) metrics["sub_sector_stats"] = sector_group return metrics

注意：median_pct（中位数）这个指标在分析分化时非常有用。如果平均值明显大于中位值，比如均值是2%但中位数只有0.5%，说明少数大牛股把均值拉高了，大部分股票其实没怎么涨，这也是分化的一种表现。

这种“均值与中位数背离”的形态在A股非常常见，尤其在AI这种热门板块。资金往往抱团少数龙头，其他股票只是陪跑。遇到这种情况，如果你只看均线或者板块指数，很容易高估市场的赚钱效应。

5. 实战：马年AI板块全流程监控

5.1 定时轮询架构设计

行情监控程序的核心是一个定时循环，每隔一段时间拉取一次数据并更新指标。我用schedule库来实现分钟级定时任务，因为它足够轻量，而且语法非常直观。

import schedule import time from datetime import datetime def monitor_job(): """单次监控任务""" print(f"[{datetime.now().strftime('%H:%M:%S')}] 开始拉取AI板块行情...") # 拉取成分股（如果已经初始化过，可以缓存，不必每次拉取） # 这里为了演示简洁，每次都拉 constituents = client.get_sector_constituents(sector_code="AI") symbols = constituents["symbol"].tolist() # 拉取实时行情 quotes = client.get_realtime_quotes(symbols) # 清洗和合并 quotes_clean = clean_quotes(quotes) analysis_df = build_analysis_frame(constituents, quotes_clean) # 计算指标 metrics = calculate_dispersion_metrics(analysis_df) # 输出提示 output_monitor_message(metrics) def output_monitor_message(metrics: dict) -> None: """把监控结果输出到控制台""" print(f" 股票数量: {metrics['stock_count']} 只") print(f" 平均涨幅: {metrics['mean_pct']*100:.2f}%") print(f" 涨幅中位数: {metrics['median_pct']*100:.2f}%") print(f" 涨幅标准差: {metrics['std_pct']*100:.2f}%") print(f" 离散系数: {metrics['cv']:.3f}") print(f" 强势股占比: {metrics['strong_ratio']*100:.1f}%") print(f" 分化系数: {metrics['divergence_ratio']:.2f}") # 根据指标给出简要信号提示 if metrics["std_pct"] > 0.025 and metrics["strong_ratio"] < 0.5: print(" [信号] 板块分化明显，赚钱效应集中，注意风险") elif metrics["strong_ratio"] > 0.6: print(" [信号] 板块普涨，做多情绪较强") elif metrics["mean_pct"] < 0 and metrics["strong_ratio"] < 0.2: print(" [信号] 板块普跌，情绪低迷") else: print(" [信号] 板块相对均衡，暂无极端分化信号") # 交易时间调度：周一至周五 9:30-11:30, 13:00-15:00 每分钟执行一次 schedule.every().minute.do(monitor_job) # 一个简单的交易时间判断 def is_trading_time(): now = datetime.now() if now.weekday() >= 5: return False if (now.hour == 9 and now.minute >= 30) or (now.hour == 10): return True if now.hour == 11 and now.minute <= 30: return True if now.hour == 13 or now.hour == 14: return True if now.hour == 15 and now.minute == 0: return True return False while True: if is_trading_time(): schedule.run_pending() time.sleep(5)

5.2 信号判读的实战经验

这套代码跑起来之后，我马年第三天就遇到一个非常典型的场景。上午开盘后第一次轮询，板块平均涨幅是0.8%，中位数是0.3%，标准差只有1.2%，看起来风平浪静。到10点15分第二次轮询时，标准差突然拉到3.5%，离散系数从1.5升到4.2，强势股占比从40%降到22%。

这个变化背后的含义是：板块表面还在涨，甚至平均涨幅比上次更高，但内部已经从“普涨”变成了“少数强拉”。多数股票开始回落，只有几只龙头还在撑着。这种时候如果看着板块指数追进去，大概率买在分化行情的高位。

后来收盘复盘时我看到，当天AI板块表面上是红盘收尾，但实际下跌的股票超过六成，完全验证了盘中标准差飙升发出的预警信号。这就是量化监控相对于肉眼盯盘的核心优势：你看到的不是“板块还在涨”这个表象，而是板块内部资金正在撤退这个本质。

5.3 收盘后的可视化复盘

盘中监控负责实时预警，收盘后的复盘则负责看清全貌。我用matplotlib画了一张“AI板块涨跌幅分布直方图”，把当天所有成分股的涨跌幅画成分布。横轴是涨跌幅区间，纵轴是股票数量。

import matplotlib.pyplot as plt import matplotlib matplotlib.use("Agg") def plot_distribution(df: pd.DataFrame, save_path: str = "ai_sector_dist.png") -> None: """绘制板块涨跌幅分布直方图""" plt.figure(figsize=(12, 6)) plt.hist(df["pct_change"] * 100, bins=30, color="#2C7FB8", edgecolor="white", alpha=0.8) plt.axvline(df["pct_change"].mean() * 100, color="red", linestyle="--", label="均值") plt.axvline(df["pct_change"].median() * 100, color="green", linestyle="--", label="中位数") plt.xlabel("涨跌幅 (%)") plt.ylabel("股票数量 (只)") plt.title("AI板块成分股涨跌幅分布") plt.legend() plt.tight_layout() plt.savefig(save_path, dpi=150)

收盘后拿到全天收盘数据，跑一遍这个函数，一张图就能直观看到当天的市场结构。如果柱状图是中间高、两边低的钟形曲线，说明行情均衡；如果左边（下跌端）和右边（上涨端）都高、中间反而凹下去，那就是典型的极端分化市。

我还喜欢叠加“细分子方向”的分组柱状图，比如把算力、应用、芯片三个子方向分别统计平均涨跌，能看出资金在哪个环节抱团、哪个环节撤离。这个信息比看整体板块有意思得多。

6. 常见问题与排查技巧实录

6.1 API请求报错400和403

实际使用TickDB的过程中，我遇到过两次比较典型的HTTP错误。

第一次是返回400invalid schema for function，仔细检查后发现是我先把symbols参数写成字符串而不是列表，还有一次是因为股票代码传成了“000001.SZ”这种带后缀的格式，但接口要求的是纯数字代码。解决办法很直接：查看接口文档里示例请求体，对照字段类型传参。

第二次是403，通常是API Key没过鉴权。常见原因有三个：密钥复制多了空格、环境变量没加载成功、试用额度已用完。我的排查顺序是：先在终端里直接打印环境变量确认加载，再去TickDB控制台看查询额度是否清零。

6.2 数据出现大量NaN或重复值

有段时间我发现拉回来的DataFrame有一半股票的pre_close是NaN，查了半天发现是请求频率太高，触发了接口的限流，返回的数据被截断了。TickDB免费额度的接口频率限制通常是每秒2到5次请求，我一次性传50个股票代码，理论上是一次请求，不会被限流。但如果我的循环里不小心把每个股票代码单独请求一次，50只股票就会直接打爆限流阈值。

解决方案是把所有股票代码放进一个列表，用一次POST请求拉回全部行情，而不是在循环里逐个GET。

6.3 定时任务偶尔“跳拍”

schedule库的定时精度不是严格精确到秒，在系统忙的时候可能延迟几秒执行，但本质上是每轮主循环检查一次“是否有到期的任务”，所以不会堆积任务。如果程序运行时间超过一分钟，下一轮任务会立即补上，造成连续两次拉取间隔极短。这个在分钟级监控场景下影响很小，但如果你做秒级甚至tick级监控，建议直接用TickDB的WebSocket接口，不要用HTTP轮询。

6.4 盘中停牌股和一字板如何处理

A股每天都有涨停和跌停的股票，也会有临时停牌的情况。涨停的股票价格封死在涨停价上，但成交量很小，涨跌幅很大，这会干扰标准差的计算。我在清洗逻辑里不会剔除涨停股，因为“涨停”本身就是一种强分化信号。一字涨停板是最强的多头信号，而大量股票冲上涨停又打开，反复开板，说明多空分歧极大，这两种状态都值得纳入指标观察。

停牌股的涨跌幅是0，为了避免它们拉低离散度，我会过滤掉当天没有任何成交量的股票。这个逻辑要写清楚，否则早盘刚开盘时很多股票还没有第一笔成交，会被误判为停牌。

7. 扩展方向：从分钟级监控到盘中策略参考

写到这里，这套工具的基本功能已经完整了。但既然是“马年开工，AI先行”，我觉得还值得聊一下后续还能怎么扩展，让这套架子发挥更大的价值。

第一个扩展方向是结合AI做信号解读。目前程序输出的是结构化数字指标，你需要自己看数字、看分布图来理解盘面。你可以把指标计算结果传给大模型API，让AI生成一段自然语言的盘面描述，比如“当前AI板块分化程度处于近期高位，算力方向领涨，应用方向回调，建议关注是否出现补跌”。我试过用DeepSeek的API做这个事，把指标数据拼成提示词模板，返回的文本质量意外地好，至少比盯着数字干想直观很多。

第二个方向是历史回放和对比。TickDB的历史K线接口可以把过去30天的分钟线拉下来，重新计算当天的分化指标序列，然后画成时间序列曲线。这样你就能看出当前的分化度在历史区间里处于什么百分位，是罕见的极端分化，还是常态波动。百分位比绝对数值更有参考价值。

第三个方向是股票池动态调整。目前成分股列表来自TickDB的AI概念板块接口，它其实是定期更新的。你也可以在本地维护一个自定义股票池，然后和接口返回的列表做并集或交集。比如你更关注市场核心的20只大模型算力股，不想被一堆边缘应用股稀释指标，那就在代码里加一个白名单过滤参数。

我自己后续最想做的，是把盘中实时数据和每天收盘后的复盘结果存放在本地SQLite数据库里，积累一段时间后做“分化度与次日板块收益”的相关性分析。如果分化度极高和极低的次日常表现有统计显著的差异，那这套工具就不仅能描述行情，还能做一个简单的前瞻性参考。

提醒：任何统计分析都不能保证未来重复发生。市场结构会变，A股的风格轮动速度非常快，AI板块更是如此。股票池、指标参数、阈值设置都需要定期回顾调整，不要指望一套参数能一直适用。

最后分享一个我个人很深的感受：工具再顺手，也只是帮你把市场观察的效率提高了一个台阶，真正的判断力仍然来自你对行业和公司的理解。量化指标告诉我“板块分歧很大”，但分歧的双方在争什么，哪一方更可能在接下来的产业趋势中获胜，这个问题任何API和代码都替代不了你的思考。祝各位马年开工顺利，技术修炼和认知升级同步前行。