首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >我用StockApi写了个Python 量化策略:MACD + 神奇九转 + 资金流三接口共振策略

我用StockApi写了个Python 量化策略:MACD + 神奇九转 + 资金流三接口共振策略

原创
作者头像
用户7273352
发布于 2026-10-29 13:00:49
发布于 2026-10-29 13:00:49
1800
举报
文章被收录于专栏:量化接口量化接口

MACD 零轴金叉 + 神奇九转:把"趋势启动"和"跌到位"写进同一个信号

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。

引言

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。

策略原理

  • 低位条件:神奇九转 lowNine = 1(/v1/quota/nineTurn)
  • 启动条件:MACD(/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)
  • 资金确认:/v1/base/codeFlowHistory 近 3 日主力净流入合计为正
  • 离场:DIFF 下穿 DEA,或 8% 止盈 / 4% 止损
  • 股票池:/v1/base/all 剔除 ST 与次新

为什么要把"零轴位置"写进条件

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。

Python 完整实现

代码语言:python
复制
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。

回测指标怎么读

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。

参数与风控建议

  • 零轴区间可调,-0.5 ~ +1.5 是经验值,太窄会没信号
  • 九转要求 lowNine = 1,若要更严格可要求"近 5 日内出现过低九"
  • 资金流接口为黄金套餐可用,权限不足时先用 K 线的成交额变化代理
  • 个股需排除减持/解禁(/v1/alarmData),事件冲击会让技术信号失效

常见问题(FAQ)

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。

目录
  • MACD 零轴金叉 + 神奇九转:把"趋势启动"和"跌到位"写进同一个信号
    • 引言
    • 策略原理
    • 为什么要把"零轴位置"写进条件
    • Python 完整实现
    • 回测指标怎么读
    • 参数与风控建议
    • 常见问题(FAQ)
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档