zhixing-system/docs/research/onechartlab-macro-timing.md

OneChartLab「宏观择时」技术调研报告

调研日期：2026-08-27；视频补充：2026-08-28；页面：https://onechartlab.com/macro/；当前公开数据日期：2026-08-26。 目标：还原能够由公开证据支持的指标、状态和贡献逻辑，为后续复现提供技术边界。

结论摘要

OneChartLab 的“宏观择时”公开页面、脚本和数据协议中没有披露利率、信用、通胀、PMI 等传统宏观输入；已公开部分更准确地说是一个 A 股行业横截面离散度与拥挤结构指标。它以 124 个申万二级行业的相对收益分布生成精确离散度 D，使用 3 日均值作为默认平滑序列，再把当前值映射到“低位趋同—正常—潜在高切低—极致化抱团”四个区间。由于构建端源码未公开，不能排除其内部还使用了未披露变量。

页面公开了状态阈值、平滑方式、十年百分位、行业贡献恒等关系、方向/结构四象限和数据发布协议，但没有公开最核心的 D 构造公式。作者在视频 04:42—05:13 进一步说明其设计输入是申万一百多个二级行业近 90 天涨跌幅的横截面差异；这确认了指标语义，仍不能确定它使用标准差、分位距、极差、熵还是其他统计量。作者也把“高切低”限定为资金趋势和风险环境观察，不能把页面区间直接解释成仓位或资产切换指令。所谓“择时”目前是风险环境解释层，而不是一套可直接交易的完整状态机。

本报告把证据分为四类：“已确认”表示页面、公开脚本或响应可直接验证；“作者自述”表示视频中可定位的设计与使用说明；“合理推断”表示有清楚推断链但没有构建端源码证明；“无法确认”表示公开证据不足。视频观点只用于解释设计意图和使用边界，不覆盖页面代码和公开数据已经确认的公式。

产品逻辑

页面的目标文案是“观察市场趋势与拥挤程度，判断中长期多空方向”，唯一指标页签叫“高切低指标”，并明确注明“参考国投证券同名指标，非原版算法”。公开方法说明是：使用申万二级行业的相对收益分布衡量行情分化程度，再通过平滑形成离散度序列。作者视频 04:27—04:42 同样只称“参考”国投证券同名指标，没有声称复刻原版；04:42—05:13 则把观察窗口解释为行业近 90 天涨跌幅差异，未说明“90 天”是自然日还是交易日。

这一产品逻辑可以拆成三层：

1. 主指标层用离散度判断市场处于趋同还是抱团；
2. 对照层把离散度与上证、创业、科创、50、300、1000、2000 七条指数累计表现叠加；
3. 贡献层把离散度变化拆给 124 个行业，解释哪些行业正在推动分化或收敛，以及行业相对方向是向上还是向下。

它没有公开“买入什么、卖出什么、仓位多少”的规则。因此复现时应把输出定义为市场结构状态和行业贡献，不应擅自增加交易信号。

公开数据架构

flowchart LR
    A[macro/state.json] --> B[current / last_good]
    B --> C[series.json]
    C --> D[D=precise / MA3=smooth / 7个指数]
    B --> E[dispersion manifest]
    E --> F[latest180 + 年度数据块]
    F --> G[124行业 C/O/normalized + D/MA3/K/K_MA5]
    H[sector_rankings/manifest.json] --> I[行业成分排行分片]
    I --> J[1/3/5/10/90日个股解释]

主入口 macro/state.json 使用 onechart_macro_daily_bundle_v3，同时提供 current 和 last_good。2026-08-27 本轮复核时，两者都指向同一份 2026-08-26 快照：发布状态为 production，revision_watermark=21，批次是 batch-20260826-r21-c8768898f3。主序列位于 series.json，schema 为 onechart_macro_v1。这是动态入口，后续复现必须记录实际响应和观测时间，不能假设 current 永远存在或永远与 last_good 相同。

主序列含 6365 个日期，从 2000-06-01 到 2026-08-26；前端会裁掉 2002-11-12 以前的数据，默认显示最近 7 年。字段包括 dates、precise、smooth 和七个指数的收盘序列。当前摘要是：

指标	2026-08-26 值
precise	42.1781
smooth	42.5510
1 日变化	-1.7363
5 日变化	-15.5529
精确值十年百分位	38.4%
平滑值十年百分位	38.6%

贡献模块使用 dispersion-public-v2。公开 manifest 是 macro/dispersion/builds/dispersion-20260826-6186c256680b/manifest.json，包含 2017-01-25 至 2026-08-26 共 2326 个交易日、124 个申万二级行业和 7 个指数。前端先加载 latest180.json，拖动到更早日期时再按年份懒加载数据块。

主指标的可确认公式

1. 精确值与平滑值

贡献数据把主指标写成 D，把平滑值写成 MA3。公开 180 日数据逐日验证：

precise_t = D_t
smooth_t  = MA3_t
          = mean(D_t, D_{t-1}, D_{t-2})

180 日窗口内 MA3 与 3 日简单移动平均的最大误差约为 6.67e-11，可以视为同一公式。前端默认 mode="smooth"，用户可以切换到 precise。

2. 十年百分位

对当前模式的最后一个有效值，前端取当前日期向前十年的所有有限样本，并计算：

percentile_10y = 100 × count(sample <= current) / len(sample)

样本包含当前观测，因此百分位不是严格的历史外样本百分位。页面显示的 1 日变化是 value_t - value_{t-1}，5 日变化是 value_t - value_{t-5}。

3. 区间状态

dispersionZone(value) 是无记忆的阈值映射，没有滞回、连续多日确认或跨区间冷却：

条件	页面状态	技术含义
value < 30	低位趋同	行业相对收益分化较低
30 <= value < 70	正常区间范围内	常态分化
70 <= value < 120	中高位 · 潜在高切低动力	结构抱团较强，存在切换风险
value >= 120	极致化抱团 · 谨慎	极端分化环境

状态使用当前选择的 smooth 或 precise 序列。默认平滑值降低了日噪声，但这只是 3 日均值，不是另一个有持续性约束的状态机。

视频 05:23—05:39 对区间的口头解释与页面文案一致：30—70 为正常，70—120 为结构性抱团，120 以上是极致化抱团、拥挤或过热。边界实现仍以代码为准：页面在 value >= 120 时进入极致区间，而视频口头说的是“超过 120”，不能用口述改变恰好等于 120 的实现行为。

指数对照不是择时信号

七个对照指数是 000001.SH、399006.SZ、000688.SH、000016.SH、000300.SH、000852.SH、932000.CSI。图中曲线以当前可视时间范围起点为基准，绘制：

chart_value_t = 100 × log(close_t / close_base)

tooltip 则显示普通区间收益 100 × (close_t / close_base - 1)。这两者是可视化变换，不参与离散度和阈值计算。默认只选择上证指数；选择、缩放或隐藏指数不会改变主指标状态。

行业贡献的可确认公式

贡献数据每个交易日包含：

• 主指标 D、MA3、K、K_MA5；
• 每个行业的 normalized、return90、C、O；
• 七个指数的 normalized。

公开 180 日、22320 个行业观测可以验证以下恒等关系：

D_t - D_{t-1} = Σ_i C_{i,t}
K_t           = Σ_i O_{i,t}
K_MA5_t       = mean(K_t ... K_{t-4})
abs(O_{i,t})  = abs(C_{i,t})

其中第一条的最大误差约为 1.1e-9，后两条移动平均/求和关系误差约为 1e-10。因此：

• C 是每个行业对离散度日变化的结构贡献，正数扩大分化，负数缩小分化；
• O 保留 C 的绝对贡献大小，但把符号重新定向为行业相对向上或向下迁移；
• K 是所有定向贡献的合计，K_MA5 是其 5 日均值。

公开数据没有说明 O 的定向符号如何从行业相对收益生成。return90、normalized 与方向之间也不存在可以从字段名直接确定的单一规则，所以只能复现消费逻辑，不能复现 O 的上游构造。

复算说明

上述关系使用 manifest 指向的完整 latest180.json 复算。响应 SHA-256 是 b0f2821c9f72f9d7b583f748b0759b5c0a1cc72f92edc66162418d2bc9b3add3，与 manifest 一致。以下最小脚本从标准输入检查四个恒等关系：

import json
import sys
from statistics import fmean

rows = json.load(sys.stdin)["rows"]

ma3_error = max(
    abs(rows[t]["MA3"] - fmean(row["D"] for row in rows[t - 2 : t + 1]))
    for t in range(2, len(rows))
)
delta_error = max(
    abs(
        (rows[t]["D"] - rows[t - 1]["D"])
        - sum(item["C"] for item in rows[t]["industries"])
    )
    for t in range(1, len(rows))
)
k_error = max(
    abs(row["K"] - sum(item["O"] for item in row["industries"]))
    for row in rows
)
k_ma5_error = max(
    abs(rows[t]["K_MA5"] - fmean(row["K"] for row in rows[t - 4 : t + 1]))
    for t in range(4, len(rows))
)

print(ma3_error, delta_error, k_error, k_ma5_error)

当前 V31 贡献视图

页面允许选择 1、3、5、10、90 个交易日，或在固定 91 点窗口内自定义框选区间。对行业 i 和窗口 (a,b]，当前脚本使用：

direction_i = Σ O_i,t
structure_i = Σ C_i,t
relative_return_i = normalized_i,b / normalized_i,a - 1

贡献榜按 direction_i 排序，正向和负向各取 10 个行业。行业状态是方向与结构的四象限：

direction	structure	状态
>= 0	>= 0	进攻
< 0	>= 0	走弱
< 0	< 0	回落
>= 0	< 0	修复

主曲线累计 O，虚线是累计曲线的 5 日均值；每日柱子的方向由 O 决定，颜色由 C 决定。因此“向上/向下迁移”和“扩大/缩小分化”是两个不同维度，不能只看柱子正负或颜色之一。

详情层可以读取 1/3/5/10/90 日窗口对应的行业成分股排行。输入契约来自 Tushare：行业成员 index_member_all、涨跌幅 daily.pct_chg、主力净额 moneyflow_dc.net_amount、主买净额 moneyflow.net_mf_amount，并使用停牌和上市生命周期数据筛选有效样本。

核心离散度 D 为什么仍不能复现

页面公开“申万二级行业的相对收益分布”和平滑说明，视频又确认作者意图是衡量一百多个二级行业近 90 天涨跌幅的差异；公开贡献数据同时含有 return90。这些证据仍不能把 D 推导成某个标准统计量。D 并不等于公开 normalized 的横截面标准差：2026-08-26 的 D=42.1781，而 124 个 normalized 的总体标准差约为 104.8181。公开 payload 也没有给出生成 D 所用的原始相对收益向量、相对基准、截尾、标准化和历史校准参数。

以下候选都无法由现有证据确定：标准差、分位距、分位数间距组合、极差、熵、MAD、横截面分布拟合或多步归一化。因此只能确认 D 的下游代数关系，不能确认它的上游统计定义。

state.json 中的 accepted_input_hash、bundle_id、revision_watermark 和 last_good，以及 dispersion manifest 的版本化 daily_contract，说明构建链会接受版本化输入并可能修订历史结果。公开页面没有发布修订差分或 point-in-time 输入快照。

推荐的复现设计

建议把系统分成两个兼容层：外层完全复现已确认的消费逻辑，内层把核心离散度公式作为明确的可替换接口。

def derive_public_state(dates, precise, industry_contrib):
    smooth = sma(precise, window=3)

    c = industry_contrib.structure_contribution
    o = industry_contrib.oriented_contribution
    assert_close(diff(precise), sum_by_day(c))

    k = sum_by_day(o)
    k_ma5 = sma(k, window=5)

    current = smooth[-1]  # 页面默认模式
    zone = (
        "low" if current < 30 else
        "normal" if current < 70 else
        "elevated" if current < 120 else
        "extreme"
    )
    return smooth, k, k_ma5, zone

核心接口可以定义为：

def dispersion_formula(
    trade_date,
    point_in_time_sw2_membership,
    industry_relative_returns,
    versioned_parameters,
) -> tuple[float, list[IndustryContribution]]:
    """返回 D_t，以及能够严格加总到 ΔD_t 的 C/O 行业贡献。"""

如果目标是先复刻页面而不是复刻专有算法，可以直接消费公开 series.json 和 dispersion 分片；如果目标是独立重算，就必须先获得 D、C、O 的构建定义或建立与公开历史序列的校准实验。不能只通过调整标准差倍率宣称等价。

发布、缓存与异常边界

贡献数据加载器执行以下保护：所有请求使用 cache: no-store；manifest 带 hash 时执行 SHA-256 校验；current 超过 30 天视为 stale 并尝试 last_good；年度块必须满足 schema、日期范围、严格递增、124 行业、7 指数和固定字段集合。贡献模块失败时只显示“离散度贡献暂不可用”，主高切低指标继续工作。

这些保护说明主指标和解释层是松耦合的。复现时应保持同样边界：贡献数据失败不能把主指标错误清空，使用 last_good 时必须显式标注，而不是伪装为最新数据。

回测和使用风险

公开数据只有 as_of_date，没有 release timestamp、输入实际到达时间或“次日可用”契约。指标明显依赖当日行业收盘及资金数据，因此历史验证应保守地把 T 日结果视为 T+1 可用。用 T 日指标指导 T 日盘中或收盘前交易存在潜在前视偏差。

申万二级行业当前 universe 是 124 个，但公开协议没有提供完整的历史成分版本。若用当前行业成员回填历史，会引入成员变更和幸存者偏差。主序列也可能随输入修订；不保存批次和 hash 就无法重建某次页面发布时的历史曲线。

阈值只是数值分区，不包含收益保证。70—120 的“潜在高切低动力”不能直接推导为卖出高位行业或买入低位行业；贡献四象限也只是结构解释，缺少交易成本、持有期、风控和退出规则。作者在视频 07:27—07:58 也明确提醒：低位板块出现小行情不等于它会成为新主线，只能说明资金存在高切低趋势。因此“主线识别”与“资金留存、行情延续”都应保留启发式和概率性限定，不能写成经过验证的预测能力。

复现置信度

能力	置信度	说明
页面目标、输入行业层级和数据协议	高	HTML、JS、state、manifest 可重复核验
smooth=MA3(D)、十年百分位和 30/70/120 阈值	高	代码与公开序列交叉验证
ΔD=ΣC、K=ΣO、K_MA5=MA5(K)	高	180 日公开数据逐日验证
贡献窗口、正负各 10、方向/结构四象限	高	当前 V31 前端代码明确
D 的核心统计公式	低	没有构建端源码或足够原始输入
O 的符号定向规则	低	只能确认 abs(O)=abs(C)
仓位、资产切换和交易状态机	无	页面没有公开这类输出
历史 point-in-time 可复现性	低	没有发布日期、完整历史成员和修订快照

视频与本轮限制

浏览器交互连接在本轮核验时被目标站点关闭，因此没有把截图作为证据；页面 DOM、公开脚本、state、manifest 和 JSON 响应均通过只读 HTTP 重复核对。图表拖拽和响应式视觉行为没有做完整端到端测试，但公式、阈值和数据契约不依赖截图判断。

作者视频现已完成 04:13—08:00 的音轨转写和画面抽帧核对。视频没有公开字幕，自动转写可能存在同音字误差，因此本报告只引用语义清楚且能与画面模块位置对齐的片段。视频补强了指标输入、阈值解释和三类使用场景：宏观风险识别、普涨/结构行情判断，以及高离散度回落时的高切低趋势观察；它没有披露 D/C/O 的精确公式、滞回或连续确认、仓位与买卖规则。

本报告只用于技术与产品逻辑研究，不构成投资建议，也不代表能够复制原作者未公开的专有算法。

主要证据

• 宏观择时首页：产品目标、非原版声明、方法摘要、阈值文案和贡献模块说明。
• 作者视频《我把自己的交易系统，做成了4个网页工具》：04:13—07:58 的指标来源、近 90 天行业涨跌幅语义、阈值解释和使用边界。
• assets/app.js：默认模式、MA 序列消费、十年百分位、阈值、指数归一化和 state 加载。
• macro/state.json：当前/最近有效构建、日期、批次、hash、水位和摘要。
• 当前 series.json：precise、smooth、日期和七个指数序列。
• dispersion-store.js：schema、hash、current/last_good、30 日过期、91 点窗口和数据块校验。
• dispersion manifest：124 行业、7 指数、2326 个日期、构建身份和数据块。
• 当前 latest180.json：D/MA3/K/K_MA5 与行业 C/O/normalized/return90。
• dispersion-contribution.js：贡献窗口、O/C 消费、四象限、图形与成分详情逻辑。
• 成分排行 manifest：Tushare 输入字段、聚合单位、124 行业 universe 和窗口契约。