最近在量化交易圈子里很多朋友都在讨论如何通过程序化手段捕捉强势股的启动信号尤其是“一进二”即首板后第二个交易日涨停这种高胜率模式。手动盯盘不仅效率低还容易受情绪影响。本文将分享一套经过实战检验的量化模型构建全流程从数据获取、因子计算、策略编写到实盘回测与监控。通过本文你将能理解“一进二”策略的核心逻辑并掌握使用Python构建属于自己量化模型的方法最终实现程序的自动化选股与风险控制。1. 策略核心逻辑与市场理解“一进二”策略并非简单的追涨其背后有坚实的市场行为学逻辑支撑。1.1 什么是“一进二”“一进二”特指个股在首个交易日涨停称为“首板”后在第二个交易日继续涨停的市场现象。这通常被视为个股强势启动、主力资金深度介入的标志可能预示着一段主升浪行情的开端。1.2 策略有效的底层逻辑为什么关注“一进二”其有效性源于以下几点市场共识资金聚焦首板能吸引市场目光二板若能成功则确认了该股是当前热点板块的龙头或强势跟风股容易吸引更多短线资金合力。惯性效应股价运动存在惯性强势涨停的股票在次日高开的概率本身较大为策略提供了天然的“安全垫”。过滤噪音首板个股众多质量参差不齐。二板是一个强力的筛选器能过滤掉很多一日游的行情和弱势股提高选中连续强势股的概率。情绪周期在短线情绪上升周期资金风险偏好高“一进二”的成功率会显著提升。1.3 量化模型的优势人工筛选“一进二”个股面临诸多挑战复盘工作量大、标准不统一、容易错过开盘黄金时间、执行时受心态影响。量化模型则能客观一致严格按既定规则执行杜绝情绪化交易。高效全面瞬间扫描全市场股票不漏掉任何符合条件的标的。可回溯优化策略表现可以通过历史数据回测来验证和迭代。自动化执行与交易接口结合可实现自动下单。2. 环境准备与数据源构建量化模型的第一步是搭建开发环境并确保稳定、高质量的数据来源。2.1 开发环境与工具操作系统Windows 10/11, macOS 或 Linux 均可。编程语言Python 3.8。Python在数据分析和量化领域生态丰富。核心库pandasnumpy: 数据处理与分析。akshare或tushare: 免费、稳定的国内股票数据接口需注册获取token。ta-lib: 技术指标计算库安装稍复杂但计算速度快且准确。backtrader或empyrical: 回测框架与绩效分析。schedule或apscheduler: 定时任务调度用于盘后自动运行选股程序。IDE推荐使用 Jupyter Notebook交互式分析或 PyCharm/VSCode项目开发。2.2 数据获取与预处理数据质量直接决定模型成败。我们需要以下几类数据日线行情数据包括开盘价、最高价、最低价、收盘价、成交量、成交额。涨停跌停数据判断股票是否涨停。股票基础信息排除ST、*ST、新股、次新股上市未满一定天数。以下示例使用akshare获取数据你需要先pip install akshare。# 文件data_fetcher.py import akshare as ak import pandas as pd from datetime import datetime, timedelta def fetch_stock_daily(stock_code, start_date, end_date): 获取单只股票的日线数据 try: # ak.stock_zh_a_hist 接口获取A股历史数据 df ak.stock_zh_a_hist(symbolstock_code, perioddaily, start_datestart_date, end_dateend_date, adjustqfq) # 重命名列使其更规范 df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume, 成交额: amount, 振幅: amplitude, 涨跌幅: pct_chg, 涨跌额: change, 换手率: turnover }, inplaceTrue) df[date] pd.to_datetime(df[date]) df.set_index(date, inplaceTrue) return df except Exception as e: print(f获取股票 {stock_code} 数据失败: {e}) return pd.DataFrame() def fetch_all_stocks_list(): 获取全A股股票代码列表排除ST、科创板、创业板等可根据需要调整 stock_info ak.stock_info_a_code_name() # 这里简单返回实际应用中需要过滤ST、新股等 return stock_info if __name__ __main__: # 测试获取“贵州茅台”近期数据 df_maotai fetch_stock_daily(600519, 20230701, 20230731) print(df_maotai.head()) print(f数据形状: {df_maotai.shape})数据预处理关键点复权处理务必使用前复权adjustqfq数据以保证价格序列的连续性这对计算涨幅和信号至关重要。停牌处理在回测中遇到停牌日该股票应被视为无数据不能进行买卖。异常值处理检查并处理成交量为0或价格异常的数据点。3. “一进二”量化因子拆解一个有效的“一进二”模型是多个因子共同作用的结果。我们将策略逻辑分解为以下几个核心因子。3.1 首板因子这是最基本的入场条件。定义当日收盘价涨幅大于等于9.8%考虑涨停板非精确10%且收盘价等于最高价光头阳线更强势。量化实现def is_first_limit_up(df_today): 判断当日是否为首板 df_today: 包含当天‘close’, ‘high’, ‘pct_chg’的Series或单行DataFrame return (df_today[pct_chg] 9.8) and (abs(df_today[close] - df_today[high]) 0.01)3.2 板型与强度因子并非所有首板都一样我们需要筛选出质量更高的板。涨停时间涨停时间越早强度越高。可通过分钟线数据判断或通过当日振幅(high-low)/low间接评估振幅越小且涨停早说明抛压小。封单金额涨停价位的挂单金额。封单越大次日溢价概率越高。可通过ak.stock_zt_pool_em等接口获取当日涨停板详情。是否烂板涨停后是否被打开。可通过当日“开板次数”或“涨停后成交量”来判断。3.3 成交量与资金因子量价分析是核心。放量程度首板成交量相较于前N日平均成交量的倍数例如倍量 2。温和放量优于巨量。def volume_ratio(df, window5): 计算当日成交量相对于过去N日平均成交量的比值 mean_volume df[volume].rolling(windowwindow).mean().shift(1) # 前N日平均不包括当日 return df[volume] / mean_volume资金净流入使用大单净流入、主力资金净流入等数据作为辅助判断。可通过ak.stock_individual_fund_flow获取。3.4 题材与板块因子个股的强势往往源于板块效应。板块强度该股票所属板块如“新能源汽车”、“人工智能”在首板日的整体涨幅、涨停家数。选择处于风口、板块效应强的个股。龙头地位在板块内该股是否是第一个涨停日内龙头或连板高度最高空间龙头。3.5 市场环境因子大盘情绪决定了策略的整体水位。市场涨跌家数上涨家数远大于下跌家数时市场情绪好成功率高。昨日涨停表现观察昨日涨停股票今天的平均收益率即“昨日涨停指数”若持续为正说明打板赚钱效应好。成交量能市场总体成交量是否活跃量能萎缩的市场不利于接力。4. 模型构建与选股流程实战我们将上述因子整合形成一个完整的、可执行的每日选股程序。4.1 项目结构设计quant_1in2_model/ ├── config.yaml # 配置文件数据库连接、API token、策略参数 ├── data_fetcher.py # 数据获取模块 ├── factor_calculator.py # 因子计算模块 ├── strategy_engine.py # 策略逻辑与选股引擎 ├── backtester.py # 回测模块 ├── daily_selector.py # 每日自动运行的主程序 └── utils/ └── logger.py # 日志工具4.2 核心策略引擎实现这是模型的大脑负责整合所有条件。# 文件strategy_engine.py import pandas as pd import numpy as np from datetime import datetime import logging from .factor_calculator import calculate_volume_ratio, is_first_limit_up from .data_fetcher import fetch_stock_daily class OneInTwoStrategy: def __init__(self, params): 初始化策略参数 params: dict包含各项因子的阈值 self.params params self.logger logging.getLogger(__name__) def select_stocks(self, trade_date): 核心选股函数针对给定交易日选出符合条件的“一进二”候选股 trade_date: str格式 YYYYMMDD 返回: DataFrame包含股票代码、名称、得分及关键因子值 all_candidates [] stock_list self._get_universe(trade_date) # 获取股票池已过滤ST、新股等 for stock_code, stock_name in stock_list.iterrows(): try: # 1. 获取股票近期数据例如过去20个交易日 end_date trade_date start_date (datetime.strptime(trade_date, %Y%m%d) - pd.Timedelta(days30)).strftime(%Y%m%d) df fetch_stock_daily(stock_code, start_date, end_date) if df.empty or len(df) 5: continue # 2. 定位“首板日”昨天 df_yesterday df.iloc[-2] # 假设df已按日期排序最后一行是今天-2是昨天 df_today df.iloc[-1] # 今天选股日的数据用于计算开盘强度等 # 3. 检查首板条件 if not is_first_limit_up(df_yesterday): continue # 4. 计算各类因子得分 score 0 factor_values {} # 4.1 成交量因子 vol_ratio calculate_volume_ratio(df, window5).iloc[-2] # 首板日的量比 factor_values[volume_ratio] vol_ratio if 1.5 vol_ratio 5: # 温和放量 score 2 elif vol_ratio 5: # 巨量可能分歧大 score 0 # 4.2 首板涨幅因子越高越好但已经是涨停 limit_up_pct df_yesterday[pct_chg] factor_values[limit_up_pct] limit_up_pct if limit_up_pct 9.9: score 1 # 4.3 今日开盘强度模拟 # 实际盘中需要获取实时开盘价。这里用昨日收盘价与今日开盘价关系模拟。 # 假设我们有一个函数 get_open_gap(df)返回开盘涨幅 open_gap (df_today[open] - df_yesterday[close]) / df_yesterday[close] * 100 factor_values[open_gap] open_gap if 2 open_gap 6: # 高开2%-6%强度适中 score 3 elif open_gap 6: # 大幅高开可能被砸 score 1 else: continue # 平开或低开不符合强势预期直接淘汰 # 4.4 板块强度此处简化实际需调用板块数据接口 # sector_strength get_sector_strength(stock_code, trade_date) # if sector_strength 1.5: # 板块涨幅大于1.5% # score 2 # 5. 综合评分并加入候选列表 if score self.params.get(min_score, 4): # 设置一个最低得分门槛 all_candidates.append({ code: stock_code, name: stock_name, score: score, open_gap(%): round(open_gap, 2), volume_ratio: round(vol_ratio, 2), date: trade_date }) except Exception as e: self.logger.error(f处理股票 {stock_code} 时出错: {e}) continue result_df pd.DataFrame(all_candidates) if not result_df.empty: result_df result_df.sort_values(byscore, ascendingFalse).reset_index(dropTrue) return result_df def _get_universe(self, trade_date): 获取当前交易日可交易的股票池过滤ST、新股、停牌等 此处返回一个示例列表实际应用需完善 # 示例从本地数据库或API获取基础股票列表并过滤 # 这里返回一个简单的DataFrame return pd.DataFrame({code: [000001, 600519], name: [平安银行, 贵州茅台]})4.3 每日自动选股执行脚本此脚本应在每个交易日的盘前或盘后定时运行例如上午9:15用于获取开盘数据。# 文件daily_selector.py import schedule import time from datetime import datetime from strategy_engine import OneInTwoStrategy import yaml import logging # 加载配置 with open(config.yaml, r) as f: config yaml.safe_load(f) # 设置日志 logging.basicConfig(levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s) logger logging.getLogger(__name__) def job(): 每日执行的任务 today datetime.now().strftime(%Y%m%d) logger.info(f开始执行 {today} 的‘一进二’选股...) # 1. 初始化策略 strategy_params config[strategy_params] selector OneInTwoStrategy(strategy_params) # 2. 运行选股 selected_stocks selector.select_stocks(today) # 3. 输出结果 if selected_stocks.empty: logger.info(今日未选出符合条件的股票。) else: logger.info(f共选出 {len(selected_stocks)} 只候选股) print(selected_stocks.to_string(indexFalse)) # 4. 可以将结果保存到文件、数据库或发送到钉钉/微信 selected_stocks.to_csv(f./results/selected_{today}.csv, indexFalse) logger.info(f结果已保存至 ./results/selected_{today}.csv) logger.info(选股任务完成。) if __name__ __main__: # 立即运行一次用于测试 job() # 设定定时任务例如每个交易日09:25运行 # schedule.every().day.at(09:25).do(job) # while True: # schedule.run_pending() # time.sleep(60)5. 回测验证与绩效分析策略构建完成后必须经过严格的历史回测评估其盈亏比、胜率、最大回撤等关键指标。5.1 回测框架搭建我们使用backtrader进行回测。核心是定义我们的“一进二”策略逻辑。# 文件backtester.py import backtrader as bt import pandas as pd from data_fetcher import fetch_stock_daily # 需要适配backtrader数据格式 class OneInTwoBacktestStrategy(bt.Strategy): params ( (min_score, 4), # 最小得分 (position_size, 0.1), # 单只股票仓位总资金的10% (stop_loss, 0.05), # 止损比例 -5% (take_profit, 0.10), # 止盈比例 10% ) def __init__(self): # 这里可以初始化指标但我们的选股逻辑在每日开盘前 self.orders {} # 记录每只股票的订单 self.selected_stocks [] # 记录每日选中的股票 def next(self): # Backtrader在每一个Bar交易日调用此函数 current_date self.datas[0].datetime.date(0) # 获取当前回测日期 # 1. 平仓逻辑检查持仓股票是否触发止损止盈 for data in self.datas: if self.getposition(data).size 0: pos self.getposition(data) cost_price pos.price # 平均成本 current_price data.close[0] pnl_ratio (current_price - cost_price) / cost_price if pnl_ratio -self.params.stop_loss or pnl_ratio self.params.take_profit: self.close(datadata) print(f{current_date} 平仓 {data._name}: 收益率 {pnl_ratio:.2%}) # 2. 开仓逻辑仅在开盘时执行选股简化处理实际应在开盘前 # 模拟我们有一个外部函数根据current_date返回选股列表 if not self.selected_stocks or self.selected_stocks[0][date] ! current_date: # 调用策略引擎选股这里需要将历史日期传入策略引擎 self.selected_stocks self._run_daily_selection(current_date) # 3. 对选中的股票下单 capital_per_stock self.broker.getcash() * self.params.position_size for stock in self.selected_stocks: data self.getdatabyname(stock[code]) if data and self.broker.getcash() capital_per_stock: size int(capital_per_stock / data.open[0] / 100) * 100 # A股按手100股买卖 if size 0: self.buy(datadata, sizesize) print(f{current_date} 买入 {stock[code]} {stock[name]}, 数量 {size}) def _run_daily_selection(self, date): 模拟每日选股实际应调用策略引擎这里返回示例数据 # 此处应集成前文的 strategy_engine # 示例返回一个字典列表 return [ {code: 000001, name: 平安银行, date: date, score: 5}, # ... 其他股票 ]5.2 运行回测与分析# 回测主程序 cerebro bt.Cerebro() # 1. 添加策略 cerebro.addstrategy(OneInTwoBacktestStrategy) # 2. 加载数据以单只股票示例实际需循环添加多个股票数据 data bt.feeds.PandasData( datanamefetch_stock_daily(000001, 20230101, 20231231), # 获取平安银行数据 datetimedate, # 日期列名 openopen, highhigh, lowlow, closeclose, volumevolume, openinterest-1 ) cerebro.adddata(data, name000001) # 3. 设置初始资金和佣金 cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission0.0003) # 万三佣金 # 4. 运行回测 print(初始资金: %.2f % cerebro.broker.getvalue()) cerebro.run() print(最终资金: %.2f % cerebro.broker.getvalue()) # 5. 绘制图表 cerebro.plot(stylecandlestick)5.3 关键绩效指标解读回测结束后需分析以下指标年化收益率策略的盈利能力。最大回撤策略运行期间账户净值从高点回落的最大幅度。这是衡量风险的关键指标通常要求小于20%。夏普比率衡量每承受一单位风险所获得的超额回报。大于1为佳。胜率盈利交易次数占总交易次数的比例。“一进二”策略胜率通常在40%-60%之间。盈亏比平均盈利金额与平均亏损金额的比值。高盈亏比如2是策略盈利的保障。交易次数样本是否足够避免过拟合。6. 实盘注意事项与常见问题将策略投入实盘是终极考验以下几个环节至关重要。6.1 常见问题与排查清单问题现象可能原因排查思路与解决方案回测表现优异实盘亏损1. 未来函数使用了当日不可得的数据如收盘价。2. 幸存者偏差回测使用了当前存在的股票忽略了已退市股票。3. 交易成本低估未充分考虑佣金、印花税、滑点。4. 流动性问题小盘股无法按模型价格成交。1. 严格检查因子计算确保只使用历史数据。2. 使用包含退市股票的全历史数据库。3. 在回测中设置更真实的佣金和滑点模型。4. 在选股池中过滤掉成交额过小的股票。选出的股票开盘买不进1. 股票一字涨停开盘。2. 下单速度慢排队靠后。3. 资金不足或仓位计算错误。1. 在策略中增加“开盘涨幅9.5%则放弃”的过滤条件。2. 优化程序使用更快的交易接口争取在9:25集合竞价结束前下单。3. 检查资金管理和下单逻辑。盘中触及止损/止盈后股价又反转止损止盈点设置过于僵化。1. 考虑使用移动止损如最高点回撤一定比例。2. 结合分时图或关键价位如均线设置动态止盈。策略在某段时间持续失效市场风格切换如从连板风格切换到趋势风格。1. 引入市场环境因子在情绪退潮期降低仓位或暂停策略。2. 开发多策略组合适应不同市场环境。数据延迟或错误导致信号错误数据源不稳定或网络问题。1. 使用付费、稳定的数据源。2. 在程序中增加数据校验逻辑如检查数据是否更新、是否有异常值。3. 设置重试机制和备用数据源。6.2 实盘部署最佳实践模拟盘先行在实盘前至少进行1-3个月的模拟盘运行验证整个流程的稳定性。小资金起步实盘初期用极小资金如总资金的1%-5%运行观察策略与市场的真实契合度。风险控制第一单票仓位限制任何一只股票不超过总仓位的10%-15%。每日总仓位限制根据市场情绪动态调整情绪差时空仓。强制止损必须无条件执行这是生命线。日度最大亏损限额例如当日总亏损达到2%则停止当天所有交易。日志与监控详细记录每一笔交易的买入价、卖出价、原因、当时市场环境。建立实时监控当程序异常、网络中断时能及时报警。策略迭代与休眠任何策略都有有效期。定期如每季度回顾策略绩效。当策略连续回撤超过历史最大回撤时应考虑暂停检查是市场问题还是策略失效。7. 总结与进阶方向构建一个有效的“一进二”量化模型远不止是编写几行选股代码。它是一个系统工程涵盖数据、因子、策略、回测、风控和实盘运维。通过本文你应该已经掌握了从0到1搭建该模型的核心步骤理解市场逻辑、准备数据与环境、拆解并量化关键因子、实现策略引擎、进行历史回测、规划实盘部署。模型的核心在于因子的有效性和组合方式这需要你不断观察市场、总结规律、并进行大量的历史测试来优化。下一步的进阶方向可以包括因子深化引入更多元的数据如龙虎榜、资金流向、新闻舆情、券商研报关注度等。机器学习应用将因子作为特征使用XGBoost、LightGBM等模型来预测二板成功率而非简单加权打分。盘中动态决策不仅依赖开盘前选股在盘中根据分时走势、成交量变化进行加仓或止损决策。多策略融合将“一进二”策略与其他策略如趋势跟踪、低吸结合形成全天候的投资组合平滑收益曲线。全自动化交易将选股、风险检查、订单生成、报送、成交回报、持仓管理全部自动化实现无人值守。量化交易是一条需要持续学习、反复实践和敬畏市场的道路。这个“一进二”模型是一个很好的起点但切记没有永远圣杯的策略。扎实的基础、严谨的风控和不断进化的能力才是长期生存的关键。建议从完善本文的示例代码开始用模拟盘验证你的每一个想法逐步构建起属于自己的交易系统。
