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。
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。
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 |
| 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 |
| 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 |
| 跌停家数与大面情绪,判断退潮是否已经过头 |
收益回测 |
| 验证反抽的次日收益 |
字段中文对照
字段 | 中文含义 | 备注 |
|---|---|---|
| 连板数量 | 历史最大值 ≥ 3 才够格叫龙头 |
| 涨停主题 | 断板前的题材,用来判断人气是否还在 |
| 封板资金(元) | 最后一天的封单强度,辅助判断断板原因 |
| 收盘价 / 最高价 | 回撤 = 收盘 / 近 10 日最高 − 1 |
| 成交额(元) | 缩量比值 = 当日 / 近 10 日最大 |
| 跌停家数 | ≤ 20 才做 |
| 大面情绪 | 与前一交易日比较,不放大才做 |
回溯 + 三层确认
lbNum(连板数量)≥ 3(至少三板,才够格叫龙头)close 不低于 10 日均线 MA10 的 0.99 倍(10 日线不破)high 回撤 6%—28%(回踩够深但没崩)amount / 近 10 日最大成交额 ≤ 0.45(缩量,这是关键)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。
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。
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)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 |
|
|
|
|---|---|---|---|---|
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。
max_lb ≥ 3 不要降成 2。二板断板太常见,反抽没有辨识度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。