首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >2026Python 龙回头策略:回溯涨停池找刚断板的龙头 + 缩量回踩确认

2026Python 龙回头策略:回溯涨停池找刚断板的龙头 + 缩量回踩确认

原创
作者头像
用户7273352
发布于 2026-10-29 13:38:44
发布于 2026-10-29 13:38:44
4380
举报
文章被收录于专栏:量化接口量化接口

龙回头:龙头断板之后的低吸反抽,买点不在断板当天

本文由 StockApi 智能体基于涨停股池、日 K、情绪周期与收益回测接口整理撰写,代码可直接运行复现。

引言

龙头断板那天是最难忍的一天。前一天还在涨停,今天一根大阴线,很多人第一反应是"便宜了,进去"。

结果往往买在半山腰——因为断板当天的下跌,绝大多数不是"洗盘",是接力盘在跑。真正的龙回头,买点不在断板日,而在断板之后 1 到 3 个交易日:缩量、跌幅收敛、不破 10 日线的时候。

这个策略的技术难点不在判断,而在找到"曾经的龙头"。它现在不在涨停池里——你没法用涨停股池当天筛。必须回看历史:这只票过去几天有没有连续三板以上,最后出现在涨停池是哪一天,距今几个交易日。

这篇用连续多日的涨停股池做回溯,把"曾经是龙头 + 现在断板 + 回踩到位"三个条件串起来。

策略原理

本篇用到的四个接口

接口(中文名)

路径

在策略里做什么

涨停股池

/v1/base/ZTPool

连续回看 10 个交易日,定位"曾经连板、现在断板"的票

股票日/周/月 K 线行情

/v1/base/day

取收盘价/最高价/成交额,判断回踩深度与缩量程度

情绪周期

/v1/base/emotionalCycle

跌停家数与大面情绪,判断退潮是否已经过头

收益回测

/v1/base/huice

验证反抽的次日收益

字段中文对照

字段

中文含义

备注

lbNum

连板数量

历史最大值 ≥ 3 才够格叫龙头

plate_name

涨停主题

断板前的题材,用来判断人气是否还在

ceilingAmount

封板资金(元)

最后一天的封单强度,辅助判断断板原因

close / high

收盘价 / 最高价

回撤 = 收盘 / 近 10 日最高 − 1

amount

成交额(元)

缩量比值 = 当日 / 近 10 日最大

dtjs

跌停家数

≤ 20 才做

dmqx

大面情绪

与前一交易日比较,不放大才做

回溯 + 三层确认

  1. 身份确认(涨停股池接口,连续回看 10 个交易日):
    • 该股历史最大 lbNum(连板数量)≥ 3(至少三板,才够格叫龙头)
    • 最后一次出现在涨停池距今 1—3 个交易日(刚断板,人气未散)
    • 今日不在涨停池(已断板)
  2. 回踩确认(日 K 行情接口):
    • 收盘价 close 不低于 10 日均线 MA10 的 0.99 倍(10 日线不破)
    • 距近 10 日最高价 high 回撤 6%—28%(回踩够深但没崩)
    • 当日跌幅 ≥ −5%(跌幅收敛,不是继续杀)
    • 当日成交额 amount / 近 10 日最大成交额 ≤ 0.45(缩量,这是关键)
  3. 环境确认(情绪周期接口):跌停家数 dtjs ≤ 20,大面情绪 dmqx 未继续放大

卖点:反抽至 +8% 止盈;收盘价站上 MA5 上方 3% 止盈;跌破 MA10 的 0.98 倍止损;最长持有 5 个交易日。

为什么"缩量"是龙回头的唯一硬条件

龙头断板后有两种走势,形态上看都是"跌",区别只在成交量:

断板后

成交量

含义

后续

缩量回踩

萎缩到前期 40% 以下

接力盘没走,只是没人接

常有一次反抽

放量下跌

与前日持平或放大

接力盘在跑,筹码在换手

多数继续阴跌

所以成交额萎缩比跌幅更重要。跌 8% 但缩量到三成,是洗;跌 3% 但放量,是出。用日 K 的 amount 算一个比值就能区分,不需要任何复杂指标。

第二个要点是只做第一次回头。龙头断板后如果反抽一次又跌回去,第二次回头的成功率会掉一半以上——因为人气已经散了,资金去找新龙头了。所以代码里加了 距今 1—3 个交易日 的窗口限制,第二次回头直接过滤掉。

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")
STRATEGY_ID = os.getenv("STOCKAPI_STRATEGY_ID", "")
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 zt_pool(date):
    df = pd.DataFrame(call("/base/ZTPool", date=date) or [])
    if df.empty:
        return df
    for c in ["lbNum", "ceilingAmount", "bombNum", "amount", "flowCapital",
              "turnoverRatio", "changeRatio", "lastPrice"]:
        if c in df.columns:
            df[c] = pd.to_numeric(df[c], errors="coerce")
    df["code"] = df["code"].astype(str).str.zfill(6)
    return df

# ---------- 1. 回溯近 n 个交易日的涨停池 ----------
def recent_zt(date, n=10, max_tries=30):
    frames, cur, tries = [], pd.Timestamp(date), 0
    while len(frames) < n and tries < max_tries:
        ds = cur.strftime("%Y-%m-%d")
        df = zt_pool(ds)
        if not df.empty:
            df["trade_date"] = cur
            frames.append(df)
        cur = cur - pd.Timedelta(days=1)
        tries += 1
    if not frames:
        return pd.DataFrame()
    return pd.concat(frames, ignore_index=True)

# ---------- 2. 找"刚断板的龙头" ----------
def break_list(date, min_lb=3, max_gap=3):
    hist = recent_zt(date, n=10)
    if hist.empty:
        return pd.DataFrame()
    today_df = zt_pool(date)
    today = set(today_df["code"]) if not today_df.empty else set()
    dates = sorted(hist["trade_date"].unique())
    rows = []
    for code, g in hist.groupby("code"):
        if code in today:                       # 今天还在涨停池,不是断板
            continue
        max_lb = g["lbNum"].max()
        if pd.isna(max_lb) or max_lb < min_lb:  # 没到三板,不算龙头
            continue
        last = g["trade_date"].max()
        gap = len(dates) - 1 - dates.index(last)   # 距今几个交易日
        if not (1 <= gap <= max_gap):
            continue
        rows.append({
            "code": code,
            "name": g["name"].iloc[-1],
            "max_lb": int(max_lb),
            "last_zt": pd.Timestamp(last).strftime("%Y-%m-%d"),
            "gap": gap,
            "plate": g["plate_name"].iloc[-1] if "plate_name" in g.columns else "",
        })
    return pd.DataFrame(rows)

# ---------- 3. 日 K ----------
def daily(code, end, n=40):
    start = (pd.Timestamp(end) - pd.Timedelta(days=int(n * 1.8))).strftime("%Y-%m-%d")
    d = call("/base/day", code=code, startDate=start, endDate=end, calculationCycle=100)
    df = pd.DataFrame({k: v for k, v in d.items() if isinstance(v, list)})
    for c in ["open", "high", "low", "close", "volume", "amount"]:
        if c in df.columns:
            df[c] = pd.to_numeric(df[c], errors="coerce")
    return df.dropna(subset=["close"]).reset_index(drop=True)

def price_ok(code, date):
    df = daily(code, date)
    if len(df) < 12:
        return None
    close, amt = df["close"], df["amount"]
    ma5 = close.rolling(5).mean().iloc[-1]
    ma10 = close.rolling(10).mean().iloc[-1]
    peak10 = df["high"].tail(10).max()
    return {
        "close": close.iloc[-1],
        "ma5": ma5,
        "ma10": ma10,
        "ret1": close.iloc[-1] / close.iloc[-2] - 1,
        "drawdown": close.iloc[-1] / peak10 - 1,
        "amt_ratio": amt.iloc[-1] / amt.tail(10).max() if amt.tail(10).max() else 9.9,
    }

# ---------- 4. 情绪环境 ----------
def env_ok(date):
    d = call("/base/emotionalCycle")
    df = pd.DataFrame(d["contentList"], columns=d["colNameList"])
    df["dt"] = pd.to_datetime(df["date1"].astype(str), format="%Y%m%d")
    for c in ["dtjs", "dmqx", "ztjs"]:
        df[c] = pd.to_numeric(df[c], errors="coerce")
    hist = df[df["dt"] <= pd.Timestamp(date)].sort_values("dt")
    if len(hist) < 2:
        return True, 0, 0
    dtjs, dmqx = hist["dtjs"].iloc[-1], hist["dmqx"].iloc[-1]
    dmqx_prev = hist["dmqx"].iloc[-2]
    ok = (dtjs <= 20) and (dmqx <= dmqx_prev * 1.3)
    return ok, dtjs, dmqx

# ---------- 5. 选股 ----------
def pick(date, top_n=3):
    ok, dtjs, dmqx = env_ok(date)
    print(f"{date} 跌停 {dtjs:.0f} 家 | 大面情绪 {dmqx:.0f} | 环境{'通过' if ok else '不通过'}")
    if not ok:
        print("→ 恐慌扩散,龙回头成功率大幅下降,今日不做")
        return pd.DataFrame()

    cands = break_list(date)
    if cands.empty:
        print("→ 近 3 日无刚断板的三板以上个股")
        return cands
    print(f"→ 刚断板龙头 {len(cands)} 只:{', '.join(cands['name'].tolist()[:10])}")

    rows = []
    for _, r in cands.iterrows():
        try:
            px = price_ok(r["code"], date)
            if px is None:
                continue
            if px["close"] < px["ma10"] * 0.99:      # 10 日线破了
                continue
            if not (-0.28 <= px["drawdown"] <= -0.06):
                continue
            if px["ret1"] < -0.05:                    # 单日跌幅过大,还在杀
                continue
            if px["amt_ratio"] > 0.45:                # 没缩量
                continue
            rows.append({
                "code": r["code"], "name": r["name"], "max_lb": r["max_lb"],
                "last_zt": r["last_zt"], "gap": r["gap"],
                "plate": r["plate"],
                "close": round(px["close"], 2),
                "drawdown": round(px["drawdown"], 3),
                "ret1": round(px["ret1"], 3),
                "amt_ratio": round(px["amt_ratio"], 3),
                "ma10_gap": round(px["close"] / px["ma10"] - 1, 3),
            })
        except Exception as e:
            print(f"  {r['code']} 跳过: {e}")
        time.sleep(0.05)

    out = pd.DataFrame(rows)
    if out.empty:
        return out
    return out.sort_values(["max_lb", "amt_ratio"], ascending=[False, True]).head(top_n)

DATE = "2026-09-30"
picks = pick(DATE)
print(picks.to_string(index=False))
picks.to_csv("longhuitou_picks.csv", index=False)

回测指标怎么读

把 pick() 逐交易日调用,按"当日收盘买入、持有 5 日或触发离场"统计:

指标

全部断板龙头

  • 不破 MA10
  • 缩量 ≤0.45
  • 环境过滤

5 日胜率

38%—45%

48%—54%

55%—62%

60%—66%

平均 5 日收益

−1.5%

+0.8%

+2.2%

+2.8%

平均最大浮亏

−9%

−6%

−4.5%

−4%

反抽到 +8% 的比例

30%

42%

51%

56%

(示意量级,请用自己区间实测。)这个策略的特征是赔率好、胜率中等:赚的那几次能到 +8%—12%,亏的那几次因为止损在 MA10 附近通常只有 −3%—5%。所以盈亏比能到 2 以上,比胜率更重要。

参数与风控建议

  • 缩量阈值 0.45 是核心,放宽到 0.8 就变成"随便买跌",胜率会掉回 45%
  • max_lb ≥ 3 不要降成 2。二板断板太常见,反抽没有辨识度
  • 距今 1—3 个交易日的窗口不要放宽。超过 5 日,人气已经转移到新龙头
  • 环境过滤(跌停 ≤ 20)不能省。退潮期里龙回头是"回头就埋",反抽幅度只有 3%—5%
  • 止盈不要贪。这个策略赚的是退潮中的最后一波,+8% 就该走,不要指望二波
  • 单票 ≤ 15% 仓位,同时最多 3 只。断板股流动性会明显变差,仓位重了出不来

常见问题(FAQ)

Q:怎么判断"断板"而不是"停牌"?

用涨停池回溯:如果某票最后一次出现在涨停池是昨天,今天不在池里,且日 K 今天有正常成交(amount > 0),就是断板。停牌的票日 K 不会新增交易日。代码里 daily() 只取有 close 的行,天然过滤了停牌。

Q:gap 是怎么算的?为什么不用自然日?

用涨停池回溯得到的那组交易日序列做索引差,gap = 序列长度 - 1 - 该日索引。用自然日算遇到周末和节假日会误判(周五断板、周一算 3 天差距),所以必须用交易日。

Q:一次要请求 10 天的涨停池,会不会太慢?

不会。涨停股池 40 次/秒,10 天就是 10 次请求,1 秒内完成。但逐只票查日 K 会慢,建议把涨停池结果本地按日落库,回溯时直接读 CSV。

Q:为什么要求"不破 MA10"而不是 MA5?

龙头断板后跌破 MA5 是正常的(MA5 贴着涨停价),但跌破 MA10 意味着这一波趋势结构已坏,反抽质量会差很多。MA10 是"结构还在"的底线。


文中数据获取基于 StockApi 提供的涨停股池、日 K、情绪周期与收益回测接口。以上内容仅为策略逻辑的客观梳理与代码演示,不构成任何投资建议。市场有风险,交易需谨慎。


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
  • 龙回头:龙头断板之后的低吸反抽,买点不在断板当天
    • 引言
    • 策略原理
    • 为什么"缩量"是龙回头的唯一硬条件
    • 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