# 熔岩AI MCP消息面热度对齐成交额：搭一张「量价 × 消息面」只读监测表

## 摘要

想知道一只股票「讨论变多」时成交是否也同步放大，做法是把熔岩日频面板 `get_stock_heat_panel`（`/subscribe/v1/panel/daily`）里的 `mentions`、`agencies`、`weighted_heat` 与你自有行情表里的成交额按「`ts_code` × 交易日」对齐，各自算相对自身历史的 z 分，再用四象限标签做监测。熔岩只提供消息面数据，不提供行情；成交额、成交量来自你方数据源。本文给出数据板块、对齐口径、Python 代码和读法，输出是描述性标签，不是交易信号。

## 一、用到哪些熔岩数据板块

| 数据板块 | 解释 | MCP 工具 | HTTP 路径 | 在本表中的作用 |
| --- | --- | --- | --- | --- |
| 历史面板与覆盖度 | 按自然日聚合的提及、机构数、加权热度 | `get_stock_heat_panel` | `/subscribe/v1/panel/daily` | 日频主表 |
| 历史面板与覆盖度 | 7/30 日去重机构/大V数 | `get_agency_coverage` | `/subscribe/v1/coverage/stocks` | 判断讨论是否只来自少数主体 |
| 个股消息面 | 单股多时间窗 + 近 24 小时逐小时 | `get_stock_heat_windows` | `/subscribe/v1/heat/windows` | 盘中复核 |
| 新闻点名 | 主流媒体快讯命中的 A 股 | `get_news_stock_hits` | `/subscribe/v1/news/hits` | 区分「新闻驱动」与「社区自发」 |

行情侧需要的列：`ts_code`、交易日、成交额（下文记作 `amount`）、成交量（`vol`）。列名以你方数据源为准。

## 二、对齐口径：三件事先定下来

### 2.1 自然日 vs 交易日

`/panel/daily` 按**自然日**聚合，行情按**交易日**。周末和节假日的讨论有三种处理：丢弃、累加到下一个交易日、单独成列。量价对齐场景建议「累加到下一个交易日」，因为次一交易日的成交确实受休市期间信息影响；同时保留一列 `closed_mentions` 记录累加了多少。

### 2.2 时间截点

面板的日聚合区间与收盘 15:00 并不一致：收盘后的讨论会算进当天。如果你要严格比较「当日讨论」与「当日成交」，需要知道这个差异；需要 15:00 截断的 PIT 口径时，可用 `get_weighted_hot_stocks`（`/hot/weighted`）带 `as_of_date`，那里的消息只算到当天 15:00。

### 2.3 加权口径

面板里的 `weighted_heat` 用**当前机构分**加权，不是当日 PIT。做历史监测表时，把这一点写进列注释（`score_basis=current`）。

## 三、代码：拉取、对齐、标准化

```python
import pandas as pd

heat = load_panel(universe, "2026-07-01", "2026-09-30")   # 按 20 只一组调 /panel/daily，函数省略
px   = load_quotes(universe, "2026-07-01", "2026-09-30")  # 你方行情：ts_code, trade_date, amount, vol

cal = pd.DatetimeIndex(sorted(px["trade_date"].unique()))
# 自然日映射到「当天或之后的第一个交易日」
heat["trade_date"] = cal[cal.searchsorted(heat["date"])]
heat["closed"] = heat["date"] != heat["trade_date"]

agg = (heat.groupby(["ts_code", "trade_date"])
           .agg(mentions=("mentions", "sum"), agencies=("agencies", "max"),
                weighted_heat=("weighted_heat", "sum"),
                closed_mentions=("mentions", lambda s: s[heat.loc[s.index, "closed"]].sum()))
           .reset_index())

df = px.merge(agg, on=["ts_code", "trade_date"], how="left").fillna(
        {"mentions": 0, "agencies": 0, "weighted_heat": 0, "closed_mentions": 0})

def z20(s):
    m, sd = s.rolling(20).mean().shift(1), s.rolling(20).std().shift(1)
    return (s - m) / sd

g = df.groupby("ts_code")
df["amt_z20"]  = g["amount"].transform(z20)
df["ment_z20"] = g["mentions"].transform(z20)
```

注意：`agencies` 是当天去重主体数，多日合并时不能简单相加，这里取 `max` 只是近似，更准确的做法是用 `/coverage/stocks` 的滚动去重计数（`cov_7d`、`cov_30d`）。

## 四、四象限监测标签

| 标签 | 条件（示例阈值） | 描述 |
| --- | --- | --- |
| 同步放大 | `amt_z20 ≥ 2` 且 `ment_z20 ≥ 2` | 成交与讨论同时显著高于自身常态 |
| 讨论先行 | `ment_z20 ≥ 2`，`amt_z20 < 1` | 讨论变多但成交平稳，记入复核清单 |
| 成交先行 | `amt_z20 ≥ 2`，`ment_z20 < 1` | 成交放大但消息面未跟上，可查 `/news/hits` 是否有新闻点名 |
| 常态 | 其余 | 不标注 |

阈值 2 和 1 只是示例，应先看自己股票池里 z 分的分布再定。低基数股票（平时日均 `mentions` 很小）z 分容易被放大，建议加一个 `mentions ≥ N` 的下限过滤。

## 五、盘中复核怎么接

日表只能事后看。盘中如果某只股票出现在「讨论先行」名单里，可以：

1. 调 `get_stock_heat_windows` 看 1h / 4h / 24h 各窗的提及数、高分机构/大V数与逐小时走势（逐小时序列的具体结构以 OpenAPI 为准）；
2. 调 `get_news_stock_hits` 看最近 72 小时有没有主流媒体点名；
3. 调 `get_stock_concept_heat`（`/concepts/by-stock`）看讨论集中在哪个概念。

三步都是只读查询，输出写进复核记录即可。

## FAQ

**Q：熔岩能直接给成交额吗？**
A：不能。熔岩只提供消息面热度、机构/大V评分等数据，行情需自备。

**Q：为什么不直接用 `mentions` 和 `amount` 的相关系数？**
A：两者量纲与分布差异很大，且都有强个股效应。先各自对自身历史标准化，再比较，结论更稳。

**Q：这个表能当信号用吗？**
A：本文只把它当监测与复核工具。是否有预测含义，需要你方用严格的样本外检验另行验证。

## 结论

「量价 × 消息面」对齐的难点不在算法，而在口径：自然日要映射到交易日，休市讨论要单独记录，`weighted_heat` 的当前分口径要写清，`agencies` 不能跨日相加。把这些处理好，再用 z 分和四象限标签做只读监测，就能稳定地发现「讨论与成交不同步」的样本，交给人工复核。

数据来自熔岩消息面热度监测，仅供研究参考，不构成投资建议。

只读监测与字段说明见：https://lava.ai-dolphin.com/subscribe/docs

