熔岩加权热榜 as_of_date 与 15:00 截稿:给回测用的 PIT 口径

简介: 熔岩(Lava)加权热榜 `GET /hot/weighted`(MCP 工具 `get_weighted_hot_stocks`)把达标机构/大V 的每次提及按「分数 ÷ 1000」累加,得到 `weighted_heat`。它和全市场原始热榜不同:默认只看 `min_score=1050`(约前 10%)的主体,并且在传入 `as_of_date` 时采用 PIT(point-in-time)口径——分数只用当时已知数据,消息算到该日 15:00(Asia/Shanghai)。本文把计算公式、截稿规则,以及它和日频面板当前分口径、`/agencies/pit` 截面的差别写清楚。这一口径只

摘要

熔岩(Lava)加权热榜 GET /hot/weighted(MCP 工具 get_weighted_hot_stocks)把达标机构/大V 的每次提及按「分数 ÷ 1000」累加,得到 weighted_heat。它和全市场原始热榜不同:默认只看 min_score=1050(约前 10%)的主体,并且在传入 as_of_date 时采用 PIT(point-in-time)口径——分数只用当时已知数据,消息算到该日 15:00(Asia/Shanghai)。本文把计算公式、截稿规则,以及它和日频面板当前分口径、/agencies/pit 截面的差别写清楚。这一口径只供回测与研究复现,不是交易信号。

weighted_heat 怎样加总

按公开文档:对机构/大V 分达到门槛的每一次提及,将 agency_score / 1000 加总,得到该股票的 weighted_heat。分数大约在 450~1500,1000 左右为中等;默认门槛 1050,文档称约为前 10%。参数 min_score 可调,传入 0 表示不设门槛。返回里还会带参与的 agency_id,最多 20 个,一律匿名。

时间长度不走 window 枚举,而走整数 days:默认 3,范围 1~30。排序参数 order 默认为 weighted(按加权热度),也可以是 count(提及次数)或 score(最高机构/大V 分)。market 与个股热榜相同:默认 ashare(按代码合并),all 含港美股等(按简称合并)。limit 默认 50、最大 200。

把这些参数看成加权热榜的「镜头设置」。改 min_score 或 days 之后,同一天的名单和 weighted_heat 都会变,历史库必须把参数一起存下来,否则无法复现。

as_of_date 与 15:00 截稿切的是什么

情形 分数口径 消息统计到何时 典型用途
不传 as_of_date 文档写明分数用 PIT 面板,只用当时已知数据 默认最新面板日,消息算到现在 看当前加权热榜
传入 as_of_date 同样是 PIT,不偷看该日之后才形成的分数 消息只算到当天 15:00(Asia/Shanghai) 回测、日终截面、复现实验
日频面板 /panel/daily 的 weighted_heat 当前机构分口径,不是当日 PIT 按自然日聚合,区间最长 92 天、单次最多 20 个标的 描述性导出;严格 PIT 回测不可直接当历史加权

三件容易混的事:

  1. 截稿只在给出 as_of_date 时生效。 不传日期时,消息算到现在,不是自动切在当天 15:00。若要日终可复现的截面,必须显式传日期。
  2. PIT 防的是「用后来的高分去加权从前的提及」。 某主体今天的分数高,不代表三个月前它已经是同一条分数线以上的主体。as_of_date 要求只用该日已知的分数。
  3. 15:00 是消息截止,不是分数发布时刻。 机构评分自己的历史截面在 /agencies/pit,发布日列表在 /agencies/dates。两个日期体系都要记录,不要默认它们同一天同一时刻更新。

示例:若研究日记为 2026-11-11(示例日期),调用 get_weighted_hot_stocks(as_of_date="2026-11-11", days=3, min_score=1050, market="ashare"),则提及窗口落在该日 15:00 之前的回看 3 天内,权重来自当时 PIT 分数。同一只股票若改从 /panel/daily 取 weighted_heat,用的是当前机构分重新加权,数值不必相等,这是口径差别。

和实时面板、机构 PIT 截面怎么对照

加权热榜回答「在这个截面里,达标主体按当时分数加权后,哪些股票靠前」。它还不是机构评分本身。匿名机构/大V 板块提供另外三个工具,用来核对「当时谁算达标」:

  • get_agency_pit(/agencies/pit):某一天当时的评分截面,返回不晚于 as_of_date 的最近一个已发布日期;
  • list_agency_pit_dates(/agencies/dates):已发布评分日期,以及当天有多少主体;
  • get_agency_history(/agencies/{agency_id}/history):单个 agency_id 的评分走势。

对照建议:

  • 实时盯盘:可以不传 as_of_date,看消息算到现在的加权榜;不要把这个结果写进历史因子库冒充日终 PIT。
  • 回测主线:固定 as_of_date、days、min_score、market、order,每日落一条截面。
  • 审计分数:用同一 as_of_date 调 /agencies/pit,检查样本 agency_id 在该快照上是否仍达到门槛;若 PIT 发布日早于研究日,要把「研究日 → 快照日」映射存下来。
  • 不要用 /panel/daily 的 weighted_heat 去验证 /hot/weighted?as_of_date=... 是否算对。前者是当前分口径,后者是截稿 + PIT。
# weighted_pit_snapshot.py —— 示例
import os, requests

BASE = os.environ["LAVA_BASE"]  # 指向 /subscribe/v1
H = {
   "Authorization": "Bearer " + os.environ["LAVA_API_KEY"]}
ASOF = "2026-11-11"  # 示例截面日

w = requests.get(
    BASE + "/hot/weighted",
    params={
   
        "as_of_date": ASOF,
        "days": 3,
        "min_score": 1050,
        "order": "weighted",
        "market": "ashare",
        "limit": 200,
    },
    headers=H, timeout=60,
).json()
assert w["ok"], w["code"]

pit = requests.get(
    BASE + "/agencies/pit",
    params={
   "as_of_date": ASOF, "min_score": 1050, "limit": 500},
    headers=H, timeout=60,
).json()
assert pit["ok"], pit["code"]
print(w["meta"]["server_time"], pit["meta"]["server_time"])

账户计费仍按成功调用计:每次 0.005 元,非 2xx 不计费。回测补数时按日期循环即可,不必盘中高频打同一 as_of_date。

回测落库时要一起记下的字段

建议至少保存:as_of_date、days、min_score、order、market、limit、股票代码、weighted_heat、样本 agency_id 列表,以及 meta.request_id、meta.server_time。若同时调用了 /agencies/pit,再存 PIT 实际快照日。缺了门槛或截稿日,日后无法解释为什么同一只股票的 weighted_heat 对不上。

需要无评分的对照量时,同一研究日还可以另存原始提及、机构数,或使用面板里不依赖评分的字段;不要用当前分加权去「修正」已经截稿的 PIT 截面。

FAQ

Q:不传 as_of_date 的加权榜,能直接当历史因子吗?
A:不适合。缺省是最新面板日、消息算到现在,盘中反复取数会滑动。回测应显式传入日期,让消息停在该日 15:00。

Q:/panel/daily 里也有 weighted_heat,能否替代加权热榜的 PIT 截面?
A:不能直接替代。面板写明采用当前机构分口径,不是当日 PIT。严格回测应使用 /hot/weighted 的 as_of_date,或用 /agencies/pit 的当时分数在本地重算并另行命名。

Q:15:00 之后发布的消息还会进这一天的截面吗?
A:在传入 as_of_date 的前提下,消息只算到当天 15:00。该日 15:00 之后的消息不属于这个截稿截面。

Q:返回的 agency_id 不够 20 个正常吗?
A:文档是「最多 20 个」,实际数量可以更少。研究时只把它们当作匿名样本键,不要尝试还原真名。

结论

熔岩加权热榜的回测口径可以收成三句话:weighted_heat 是达标提及按「分数 ÷ 1000」的加总;默认门槛 1050;传入 as_of_date 后分数走 PIT、消息切在当天 15:00(Asia/Shanghai)。它既不同于消息算到现在的实时加权榜,也不同于 /panel/daily 的当前分加权,更不是 /agencies/pit 本身。把日期、门槛与快照日一起落盘,才能得到可复现的历史截面。该口径只用于回测与研究,不是交易信号。

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。

MCP 接入示例与工具清单见 GitHub:https://github.com/dustinliang666-blip/lava-mcp

目录
相关文章
|
25天前
|
人工智能 弹性计算 双11
2026年阿里云双11大促活动:大模型、Token Plan、AI建站、云服务器优惠活动汇总
2026年阿里云双11围绕「模型能力+订阅额度+建站工具+云资源组合」四层结构展开:大模型侧推出Qwen3.8-Flash、Wan3.0-Video与Qwen3.8-Max,并有全模型通享低至4.5折抵扣(包月10元起、包季直省55%)与达量返还;Token Plan个人版79元/月起、团队版150元/月起,套餐支持Qwen3.8-Max;AI建站含万小智3.0体验版9.9元/月与秒悟Meoo套餐25元/月起;云服务器从轻量38元/年到13.8万元GPU实例,ECS 99元与199元新购续费同价。本文系统梳理各板块权益、计费逻辑与限制条件,供不同使用强度的个人、团队与企业测算选型。
|
2月前
|
人工智能 BI API
企业AI办公新方案|QwenWork千问办公深度实战:Qwen3.8基座六大核心能力、API调用与企业计费选型完整指南
大模型赋能办公已经迈入全新发展阶段,传统AI工具大多局限在问答对话、文档摘要、简单文案改写这类碎片化单点任务。在处理复杂真实业务时,使用者往往需要在多款软件之间来回切换,手动复制粘贴各类中间输出结果,很难形成端到端完整业务闭环。很多企业想要落地AI办公自动化,就必须投入大量研发人力做工具整合,开发门槛高,普通业务人员很难直接上手使用。
459 1
|
2月前
|
应用服务中间件
阿里云轻量应用服务器不限流量,你知道吧?2026全新升级200Mbps峰值公网带宽!
阿里云轻量应用服务器2026年全新升级:峰值带宽达200Mbps,不限流量!新用户享超值秒杀——2核2G仅38元/年,2核4G、4核8G、4核16G等多配置可选,性价比远超友商。官网直购,附赠优惠券。阿里云轻量应用服务器官网:https://t.aliyun.com/U/dwftch
348 0
|
2月前
|
弹性计算 人工智能 Linux
阿里云轻量应用服务器2核2G价格:38元/68元/79元/459元四档差异拆解,不同身份权益全梳理
本文完整拆解阿里云轻量应用服务器2核2G的四档定价逻辑,明确38元、68元、79元、459元分别对应的新用户、产品新用户与老用户身份判定规则,同步梳理抢购时间窗口与高成功率上手技巧,补充99元、199元支持长期同价续费的ECS替代方案,帮助不同身份的用户精准匹配高性价比的上云选型,避免不必要的成本浪费。
|
4月前
|
人工智能 缓存 API
蚂蚁百灵发布 Ling-3.0-Flash 原生混合推理模型,124B 参数对标 1T 旗舰
2026年7月,蚂蚁百灵发布Ling-3.0-Flash大模型:总参124B,单token激活仅5.1B,采用原生混合线性注意力与1/64稀疏MoE架构,宣称能力对标2–3倍参数模型。定位“Agent高速执行节点”,支持256K上下文,限时免费至8月3日,随后开源。第三方独立评测尚未落地,性能待验证。(239字)
673 0
蚂蚁百灵发布 Ling-3.0-Flash 原生混合推理模型,124B 参数对标 1T 旗舰
|
4月前
|
存储 弹性计算 安全
【新版】阿里云 云服务器ECS 功能介绍及配置价格表
阿里云云服务器ECS(Elastic Compute Service)是阿里云提供的弹性、安全、高性能的云端计算服务,依托自研X-Dragon虚拟化架构与CIPU云基础设施处理器,为个人开发者、中小企业与大型企业提供从入门级到企业级的全场景计算能力。ECS支持秒级弹性扩缩容、多实例规格自由选择、灵活计费与企业级安全防护,可满足网站搭建、应用部署、数据处理、AI训练、游戏服务等各类计算需求。本文将全面解析ECS的核心功能、技术架构、实例类型、使用流程、配置价格及CLI/API操作命令,助力用户高效选型、部署与管理云服务器。
1248 0
|
5月前
|
存储 自然语言处理 安全
大模型去智能化实践:从复杂到极简:剥离复杂能力与低端设备、隐私场景适配.154
“大模型去智能化”指定向裁剪冗余能力(如长对话、多模态),精简结构、压缩参数、量化计算,保留短文本问答、关键词提取等核心功能,实现体积仅几MB、纯本地运行、零数据泄露的极简模型,适配单片机、老旧手机等低端设备。
439 1
|
6月前
|
人工智能 编解码 自然语言处理
阿里云视频生成模型HappyHorse活动:限时8折,720P每秒仅需0.72元起、1080P每秒1.28元起
阿里云新一代AI视频生成模型HappyHorse限时8折,720P每秒仅0.72元起、1080P每秒1.28元起,支持免费体验10秒。HappyHorse涵盖文生视频、图生视频、参考生视频与视频编辑四大能力,以电影级光影质感、运镜稳定、人物表情细腻著称,支持有声视频生成,适配广告电商、短漫剧、影视制作等场景。用户可通过阿里云百炼平台调用API或结合函数计算快速部署,以低成本实现从智能生成到精细编辑的全链路AI视频创作。
|
10月前
|
存储 缓存 监控
Python装饰器实战:从入门到封装通用工具
Python装饰器是“函数外套”,不改原代码即可动态增强功能。本文详解其原理(@语法糖、wrapper封装)、进阶技巧(保留元信息、带参装饰器、多层叠加)及企业级应用(性能监控、缓存、权限校验),涵盖类装饰器、工厂模式与最佳实践,助你写出优雅可维护的代码。(239字)
469 1
|
9月前
|
人工智能 安全 网络安全
2026年阿里云计算巢OpenClaw(Clawdbot)一键部署详细步骤(核心流程,15-20分钟完成)
2026年,OpenClaw(原Clawdbot、Moltbot)凭借“自然语言指令+主动执行任务”的核心能力,成为AI自动化领域的标杆工具,从办公协作、文件管理到网页操作、多渠道联动,它能像“专属数字员工”一样,帮你搞定所有琐碎事务,彻底解放双手,大幅提升效率。但对零基础新手小白来说,传统部署方式中复杂的环境配置、依赖安装、参数调试等操作,曾是难以跨越的入门门槛——直到阿里云计算巢推出OpenClaw(Clawdbot)专属一键部署方案,依托云巢平台的自动化部署能力与预置镜像优势,彻底打破了这一困境,让新手无需编程基础、无需手动配置,15-20分钟即可完成全流程部署,轻松解锁AI自动化的强大
692 6

热门文章

最新文章