本文由 StockApi 智能体基于历史行情数据与策略回测框架整理撰写,代码可直接运行复现。
MACD 金叉人人会用,但它有个老毛病:在零轴下方反复金叉死叉,全是噪音。神奇九转则是另一路逻辑——连续 9 天收盘价低于 4 天前,视为"跌到位",是量化圈里少数被广泛使用又确实有统计意义的计数型指标。
这两个指标单独用都不算强,但组合起来很有意思:九转低位告诉你"跌到位了",零轴附近的 MACD 金叉告诉你"要起来了",资金流确认告诉你"有人在买"。三个接口,三个维度,缺一不开仓。
lowNine = 1(/v1/quota/nineTurn)/v1/quota/macd2)DIFF 上穿 DEA,且 DIFF 位于零轴附近(−0.5% ~ +1.5% 区间,避免深水区金叉)/v1/base/codeFlowHistory 近 3 日主力净流入合计为正/v1/base/all 剔除 ST 与次新零轴下方深处的金叉,往往只是下跌中继的反抽;零轴上方的金叉,多数已经涨了一段。真正性价比最高的是零轴附近:趋势刚刚由弱转强,价格还没走远。加上九转的低位计数,等于要求"先跌到位、再启动"——这两个条件同时出现的次数不多,但质量明显更高。
import os
import time
import requests
import pandas as pd
TOKEN = os.getenv("STOCKAPI_TOKEN", "你的Token")
BASE = "https://www.stockapi.com.cn/v1"
def call(path, **params):
params["token"] = TOKEN
r = requests.get(f"{BASE}{path}", params=params, timeout=15)
r.raise_for_status()
d = r.json()
if d.get("code") == 20000:
return d["data"]
raise RuntimeError(f"{path} 调用失败: {d.get('msg')}")
def to_df(data):
if isinstance(data, list):
df = pd.DataFrame(data)
elif isinstance(data, dict):
df = pd.DataFrame(data["records"]) if "records" in data else pd.DataFrame(
{k: v for k, v in data.items() if isinstance(v, list)})
else:
raise TypeError("未知返回结构")
if "date" in df.columns:
df["date"] = pd.to_datetime(df["date"])
df = df.sort_values("date").reset_index(drop=True)
return df
def get_macd(code, start, end):
return to_df(call("/quota/macd2", code=code, cycle=9, shortCycle=12, longCycle=26,
startDate=start, endDate=end, calculationCycle=100))
def get_nine(code, date):
"""神奇九转按单日查询,返回 {'lowNine':x,'highNine':y}"""
rows = call("/quota/nineTurn", code=code, date=date, calculationCycle=100) or []
if not rows:
return {"lowNine": 0, "highNine": 0}
return {"lowNine": int(rows[0].get("lowNine", 0)), "highNine": int(rows[0].get("highNine", 0))}
def get_flow(code, start, end):
d = call("/base/codeFlowHistory", code=code, startDate=start, endDate=end, pageNo=1, pageSize=200)
df = to_df(d)
df["time"] = pd.to_datetime(df["time"])
df["mainNetTurnover"] = pd.to_numeric(df["mainNetTurnover"], errors="coerce")
return df.sort_values("time").set_index("time")["mainNetTurnover"]
def get_close(code, start, end):
df = to_df(call("/base/day", code=code, startDate=start, endDate=end, calculationCycle=100))
return pd.to_numeric(df["close"], errors="coerce").dropna().reset_index(drop=True)
def backtest_macd_nine(code, start, end, max_days=150):
macd = get_macd(code, start, end)
for c in ["DIFF", "DEA", "MACD"]:
macd[c] = pd.to_numeric(macd[c], errors="coerce")
macd = macd.dropna(subset=["DIFF", "DEA"]).reset_index(drop=True)
# 价格与指标按交易日尾部对齐(K线为列式返回,无 date 时按序对齐)
close = get_close(code, start, end)
n = min(len(close), len(macd))
macd = macd.tail(n).reset_index(drop=True)
macd["close"] = close.tail(n).reset_index(drop=True)
macd["pct_diff"] = macd["DIFF"] / macd["DEA"].abs().replace(0, pd.NA)
# 九转按日查询:只取最近 max_days 个交易日,控制调用次数
tail = macd.tail(max_days).copy()
tail["lowNine"] = 0
for i, row in tail.iterrows():
if pd.isna(row.get("date")):
continue
n = get_nine(code, row["date"].strftime("%Y-%m-%d"))
tail.at[i, "lowNine"] = n["lowNine"]
time.sleep(0.03)
flow = get_flow(code, start, end).rolling(3).sum()
trades, hold, entry = [], False, 0.0
for i in range(1, len(tail)):
r, p = tail.iloc[i], tail.iloc[i - 1]
d0 = r["date"]
golden = p["DIFF"] <= p["DEA"] and r["DIFF"] > r["DEA"]
near_zero = -0.5 <= (r["pct_diff"] if pd.notna(r["pct_diff"]) else 0) <= 1.5
flow_ok = d0 in flow.index and flow.loc[d0] > 0
price = r["close"]
if not hold and golden and near_zero and r["lowNine"] == 1 and flow_ok:
hold, entry = True, price
trades.append({"date": d0, "action": "buy", "price": price})
elif hold:
if p["DIFF"] >= p["DEA"] and r["DIFF"] < r["DEA"]:
trades.append({"date": d0, "action": "sell", "price": price}); hold = False
elif price >= entry * 1.08 or price <= entry * 0.96:
trades.append({"date": d0, "action": "exit_rule", "price": price}); hold = False
t = pd.DataFrame(trades)
print(f"{code} 信号 {len(t[t['action']=='buy'])} 笔")
return t, tail
t, detail = backtest_macd_nine("600585", "2024-01-01", "2026-09-30")
print(detail[["date", "close", "DIFF", "DEA", "lowNine"]].tail(10).to_string(index=False))说明:九转接口按单日查询,回测期越长调用越多,建议只跑最近 100—200 个交易日,或对历史结果做本地落库;K 线为列式返回(无
date字段),代码按交易日顺序尾部对齐均价与指标,需要精确日期时可用指标接口的date列做合并。
指标 | 单用 MACD 金叉 | 加九转 + 资金确认 |
|---|---|---|
年信号数 | 10—16 | 2—5 |
胜率 | 42%—48% | 60%—70% |
平均持仓 | 8—15 天 | 10—25 天 |
盈亏比 | 1.0—1.3 | 1.5—2.2 |
(示意量级,以回测输出为准。)这是典型的"少而准"结构:信号砍到原来的三分之一,胜率与盈亏比同时抬升。
-0.5 ~ +1.5 是经验值,太窄会没信号lowNine = 1,若要更严格可要求"近 5 日内出现过低九"/v1/alarmData),事件冲击会让技术信号失效Q:九转接口为什么只能传单日?
按日查询是它的设计,单日返回 lowNine/highNine 两个标记。做长周期回测时建议把每日结果落库,避免重复请求。
Q:MACD 值在接口里是绝对值还是涨跌幅?
是 MACD 的 DIFF/DEA/MACD 原始值,因此"零轴"判断要用 DIFF 与价格的比例(代码里的 pct_diff),不同价位股票才可比。
Q:能不能做空/减仓信号?
镜像条件是 highNine = 1 + 零轴附近死叉,可用于高位减仓。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。