一句话回答： 前复权价不是"固定值"——每次分红送股后，历史前复权价都会整体缩放一次，直接把复权价存进数据库迟早和线上对不上。正确做法是用 AlphaFeed 存原始价（不复权）+ 除权因子（ex_factors），需要时再本地复现复权价。这样数据可审计、可复现，且和 SDK 的 adjust="forward" 结果逐行完全一致（误差 0）。 为什么会有这个问题：前复权价会"漂移" 很多人把 adjust="forward"（前复权）的收盘价直接落库，几个月后发现：同一天、同一只票，历史前复权价变了。这不是 bug——前复权的定义就是"以最新价为基准向前缩放"，每发生一次分红送股（除权），基准就变一次，整条历史序列会被重新缩放。 直接存复权价：数据会随时间"漂移"，回测无法复现、审计对不上账。 每次全量重取复权价：浪费带宽，且旧数据被覆盖后无法追溯。 存原始价 + 除权因子：原始价永不变，因子只在除权日新增一条，任意时点都能精确还原任意复权口径。 分步骤解决 第 1 步：取原始价与除权因子 from alphafeed import AlphaFeed import pandas as pd af = AlphaFeed() # 读取 ALPHAFEED_API_KEY symbol = "600519.SH" raw = af.klines.get(symbol, period="1d", count=400, adjust="none", to_dataframe=True).sort_values("trade_date").reset_index(drop=True) ef = af.klines.ex_factors([symbol], to_dataframe=True).sort_values("trade_date") print(ef[["trade_date", "ex_factor"]].tail(3).to_string(index=False)) ex_factors 返回每个除权日的一条记录，字段见下表。ex_factor 是该次除权事件的调整比率（>1 表示当日发生了分红/送股导致的向下跳空）。 字段 含义 示例 symbol 标的代码 600519.SH timestamp 除权日毫秒时间戳 1027526400000 trade_date 除权日（YYYY-MM-DD） 2026-06-26 ex_factor 该次除权的调整比率（每次事件一条） 1.023663 第 2 步：用因子复现前复权价 AlphaFeed 前复权的口径是：某交易日 t 的前复权价 = 该日原始价 ÷（所有除权日晚于 t 的 ex_factor 连乘积）。最新一段（在最后一次除权之后）除数为 1，即前复权价 = 原始价。 raw["td"] = pd.to_datetime(raw["trade_date"]) ex = ef.assign(td=pd.to_datetime(ef["trade_date"]))[["td", "ex_factor"]] def forward_divisor(t): later = ex.loc[ex["td"] > t, "ex_factor"] # 晚于当日的所有除权事件 return later.prod() if len(later) else 1.0 raw["divisor"] = raw["td"].apply(forward_divisor) raw["qfq_close"] = raw["close"] / raw["divisor"] 第 3 步：与 SDK 的前复权结果对账（误差应为 0） fwd = af.klines.get(symbol, period="1d", count=400, adjust="forward", to_dataframe=True).sort_values("trade_date").reset_index(drop=True) diff = (fwd["close"] - raw["qfq_close"]).abs() print("最大绝对误差:", round(diff.max(), 6)) # -> 0.0 print("最大相对误差(%):", round((diff / fwd["close"]).max() * 100, 6)) # -> 0.0 实测（茅台 600519.SH，400 个交易日）：最大绝对误差 = 0.0，逐行完全一致。说明"原始价 + 因子"能无损复现 SDK 的前复权序列。 第 4 步：落库设计（只存不变量） 只落 原始 OHLC + 每次除权的因子 两张表，复权价永远现算： 表 列 说明 bars_raw symbol, trade_date, open, high, low, close, volume, amount 原始价，写入后永不修改 ex_factors symbol, trade_date, ex_factor 除权事件表，只在除权日新增一行 增量更新时：K 线只追加新交易日；ex_factors 只在有新除权时追加。历史行永不被覆盖，天然可审计、可复现。 关键坑与注意事项 不要落库复权价当"真值"：它会随每次除权整体缩放，落库即过期。 后复权（backward）反过来：以最早价为基准，历史价不变、最新价被放大，适合长周期收益复现；前复权适合看当前价位。可用同一套因子换基准点复现。 成交量/成交额：AlphaFeed 的除权因子用于价格口径；成交量不做价格式复权，跨除权做量能比较要谨慎。 A股有真实 amount，美股/港股 K 线 amount=0（用 volume 替代），与本文复权逻辑无关，但落库时要注意。 常见问题（FAQ） Q：为什么我半年前存的前复权价现在对不上了？ A：因为期间发生了分红送股，前复权基准变了，历史序列被整体缩放。存原始价 + 因子就不会有这个问题。 Q：ex_factor 是累计的还是单次的？ A：是单次除权事件的比率。复现某日复权价要把该日之后的所有 ex_factor 连乘作为除数。 Q：需要付费吗？ A：klines.get/ex_factors 属基础能力，注册即有免费额度；大规模全市场批量与更高频调用见 Starter 及以上，详见定价页。 小结 复权价是"派生量"，会随除权漂移；原始价和除权因子才是"不变量"。用 AlphaFeed 存原始价 + ex_factors、需要时本地复现，既省带宽又能做到 误差 0、可审计、可复现——这才是能长期维护的复权数据方案。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 最近我专门针对 Supermind 平台的AI 量化代码生成平台进行了优化改进，现在效果比市面上的 DS、豆包等工具好很多。 👉 SuperMind AI量化代码生成平台 这个工具最大的特点是直接和 AI 对话就能生成完整可运行的Supermind量化策略代码。你不需要懂 Python、C# 或策略 API，只要用自然语言描述你的交易逻辑，比如：“当5日均线向上突破20日均线时买入，反向时卖出。” AI 就会自动帮你生成完整策略代码，并能直接在平台上运行。 相比于通用大模型的输出，这个平台针对量化交易进行了专门优化生成的代码结构更清晰，逻辑更准确，对策略逻辑的理解更接近量化开发者的思路，并且可用作 API 查询或策略自动生成工具 之前上线后，很多朋友反馈代码质量和可运行性都非常高，几乎不需要再手动修改。现在我们的AI量化代码生成平台已经全面支持 Supermind，你可以直接体验。如果你之前在用 DS、豆包等平台，不妨试试看这个版本，可能会刷新你对AI 写量化策略的想象。 行情数据接口 股票列表 按照股票池获取股票代码，包括沪深京A股、港股、沪深指数、ETF、可转债几类数据。 请求地址：http://api.xtick.top/doc/stockinfo?symbol=all&token=123456789 交易日历 获取A股交易日历，包含交易所交易日历和个股交易日历。数据从2020年开始。 请求地址：http://api.xtick.top/doc/calendar?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 分钟数据-实时接口 提供日内一分钟实时数据，这个分钟接口调取数据会更快。 请求地址：http://api.xtick.top/doc/kline/minute?type=1&code=000001&fq=1&token=123456789 行情数据-通用接口 行情数据包括1分钟K线、5分钟K线、15分钟K线、30分钟K线、1小时K线、日K线、周K线、季度K线、年K线。支持复权数据获取，K线数据盘中实时更新。 请求地址：http://api.xtick.top/doc/kline/market?type=1&code=000001&fq=1&period=1d&startDate=2026-09-07&endDate=2026-09-07&token=123456789 股东数 股东数，数据范围：2001年-至今。 请求地址：http://api.xtick.top/doc/holdernum?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 财务指标 财务指标，数据范围：2007年-至今。 请求地址：http://api.xtick.top/doc/gaap?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 十大股东 十大股东，数据范围：公司上市-至今。 请求地址：http://api.xtick.top/doc/topholder?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 十大流通股东 十大流通股东，数据范围：2004年-至今。 请求地址：http://api.xtick.top/doc/topflowholder?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 股本表 股本表，数据范围：公司上市-至今。 请求地址：http://api.xtick.top/doc/capital?code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 盯盘数据接口 日K线-实时数据 获取盘中实时日K线数据。支持批量参数，支持ALL参数。该接口单次获取全市场行情数据，非常适合盯盘。 请求地址：http://api.xtick.top/doc/order/day?type=1&code=000001,000002&token=123456789 分钟K线-实时数据 获取盘中分钟K线实时数据。支持批量参数，支持ALL参数。 请求地址：http://api.xtick.top/doc/order/minute?type=1&code=000001,000002&token=123456789 深度行情-实时数据 获取盘中深度行情实时数据。 请求地址：http://api.xtick.top/doc/order/deep?type=1&code=000001,000002&token=123456789 深度行情-历史数据 获取盘中深度行情历史数据，接口为历史数据接口，盘后6点更新。盘中交易时间段（上午9:00-11:30，下午13:00-15:00）下载历史数据限速，其它时间段无限制。建议中午11:30-13:00时间段下载。 请求地址：http://api.xtick.top/doc/order/history?type=1&code=000001&tradeDate=2026-09-07&token=123456789 成交统计-实时接口 按交易日，获取全市场成交额统计，包括科创板、创业板、北证、沪深两市等成交额统计。 请求地址：http://api.xtick.top/doc/order/amount?tradeDate=2026-09-07&token=123456789 日K线复权-更新接口 盘后获取当天全市场股票日线数据，包括前复权、不复权、后复权三种方式。仅支持进一周内的增量数据调用，主要是方便更新日K线。 请求地址：http://api.xtick.top/doc/order/fqkline?type=1&fq=1&tradeDate=2026-09-07&token=123456789 核心数据接口 竞价数据-实时接口 获取沪深京股票交易日盘中实时竞价数据，竞价时间段：9:15-9:25。每次调用接口返回最新竞价数据。 请求地址：http://api.xtick.top/doc/core/bidtime?type=1&code=000001,000002&option=&token=123456789 核心指标-实时接口 获取沪深京股票交易日盘中实时指标数据，包括涨速、换手率、市盈率、市净率、涨幅、均价、涨停板等数据。 请求地址：http://api.xtick.top/doc/core/time?type=1&code=000001&field=x001,x002,x003,x004,x005,x006,x007,x008,x009,x010&token=123456789 除权变更数据 股票除权除息历史数据，可以获取有复权变化的股票数据。可以按单个股票获取个股除权除息历史记录，也可以使用all参数，获取全市场的股票除权除息数据。 请求地址：http://api.xtick.top/doc/core/chuquan?type=1&code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 停牌数据 停牌股票历史数据，盘后更新。可以按单个股票获取个股停牌历史记录，也可以使用all参数，获取全市场股票的停牌数据。 请求地址：http://api.xtick.top/doc/core/tingpai?type=1&code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 分笔数据-历史数据 股票分时成交数据接口，该接口为历史数据接口，盘后6点更新。盘中交易时间段（上午9:00-11:30，下午13:00-15:00）下载历史数据限速，其它时间段无限制。建议中午11:30-13:00时间段下载。 请求地址：http://api.xtick.top/doc/core/fenbi?type=1&code=000001&tradeDate=2026-09-07&token=123456789 分价数据 股票分价成交数据接口，盘后更新。 请求地址：http://api.xtick.top/doc/core/fenjia?type=1&code=000001&tradeDate=2026-09-07&token=123456789 短线热点接口 连板天梯-实时接口 获取沪深京股票交易日盘中盘中涨停板、跌停板、炸板数据，包括一进二，二进三，三进四等打板数据。梯队完整度是超短的重要指标，盘中实时更新。 请求地址：http://api.xtick.top/doc/hot/board?type=1&flag=1&tradeDate=2026-09-07&token=123456789 市场情绪-实时接口 市场情绪，短线选手复盘必备工具。 请求地址：http://api.xtick.top/doc/hot/emotion?type=1&tradeDate=2026-09-07&token=123456789 资金流向-实时接口 获取沪深京股票交易日盘中资金流数据，盘中实时更新。 请求地址：http://api.xtick.top/doc/hot/timemoney?type=1&code=000001,000002&token=123456789 资金流向-历史接口 获取沪深京股票交易日盘中资金流数据，盘后更新。 请求地址：http://api.xtick.top/doc/hot/historymoney?type=1&code=000001&startDate=2026-09-07&endDate=2026-09-07&token=123456789 竞价数据-历史接口 竞价历史数据，该接口仅保留集合竞价期间的最后一条竞价数据和开盘数据。 请求地址：http://api.xtick.top/doc/hot/bidhistory?type=1&code=000001&=1&startDate=2026-09-07&endDate=2026-09-07&token=123456789 竞价详情-实时接口 开盘集合竞价阶段，个股的所有竞价信息。当天竞价完成后，9:25更新完数据。 请求地址：http://api.xtick.top/doc/hot/biddetail?type=1&code=000001&tradeDate=2026-09-07&token=123456789 新闻资讯-实时接口 获取财联社、新浪财经、格隆汇、华尔街见闻、凤凰网、同花顺、东方财富、雪球等主流金融平台资讯信息，跟随市场热点、核心。盘中实时更新。 请求地址：http://api.xtick.top/doc/hot/news?minutes=60&tradeDate=2026-09-07&token=123456789 日内分时-实时接口 获取股票盘中日内分时数据，保留了价格在每个时间点的变化细节，股价全天的波动轨迹。盘中实时更新。 请求地址：http://api.xtick.top/doc/hot/timekline?type=1&code=000001&token=123456789 概念板块成分股数据 获取概念板块、地域板块、行业板块数据，以及概念板块下对应的成分股数据。 请求地址：http://api.xtick.top/doc/hot/bk?symbol=sw1&token=123456789 股票关联概念板块数据 获取个股关联的概念板块、地域板块、行业板块数据。 请求地址：http://api.xtick.top/doc/hot/gainian?code=000001&token=123456789 增量更新 提供交易日当天全市场增量数据的更新，是为了方便大家能快速的获取全市场数据，不需要按个股循环获取数据。 请求地址：http://api.xtick.top/doc/hot/dayupdate?dataType=bid&symbol=bj&tradeDate=2026-09-07&token=123456789 量化因子接口 量化因子-实时接口 获取沪深京股票交易日盘中因子指标数据，9:30开盘后，实时推送，包括涨速、换手率、市盈率、市净率等。支持数据全推。 请求地址：http://api.xtick.top/doc/quant/data?type=1&field=x001,x002,x003,x004,x005,x006,x007,x008,x009,x010&token=123456789 量化因子-历史接口 获取沪深京股票交易日盘中因子指标历史数据，盘后更新。该接口为历史数据接口，盘中交易时间段（上午9:00-11:30，下午13:00-15:00）会限速，其它时间段无限制。建议中午11:30-13:00时间段下载。 请求地址：http://api.xtick.top/doc/quant/history?tradeDate=2026-09-07&token=123456789 很多人第一次用 Python 写 RSRS，真正卡住的不是线性回归，而是回测结果到底能不能相信。 代码可能没有报错，RSRS 曲线也能正常画出来，但只要下面任意一个环节处理不严谨，结果就可能失真： 历史 K 线没有正确排序； RSRS 标准化窗口混入未来数据； 当天收盘计算的信号被当天价格执行； 复权口径前后不一致； 回测收益没有考虑实际交易时点。 RSRS 本质上是一个高度依赖时间序列的指标。因此，与其先讨论“哪个参数收益最高”，不如先把数据管道和时间轴处理正确。 先把RSRS拆成数据问题和策略问题 一个完整的 RSRS 回测可以拆成四层： 历史行情 ↓ 高低价回归 ↓ RSRS指标 ↓ 交易信号 ↓ 策略收益 这四层不要写成一个巨大函数。 例如： def load_price_data(): ... def calculate_rsrs(): ... def generate_signal(): ... def backtest(): ... 这样做的直接好处是：当回测结果异常时，可以快速判断到底是数据问题、指标问题还是交易逻辑问题。 第一关：历史行情必须先排序 假设 DataFrame 是： trade_date high low close 2026-01-05 ... ... ... 2026-01-06 ... ... ... 2026-01-07 ... ... ... 在任何 rolling、shift 或回归之前，都应该显式排序： df["trade_date"] = pd.to_datetime(df["trade_date"]) df = ( df.sort_values("trade_date") .drop_duplicates("trade_date") .reset_index(drop=True) ) 不要依赖数据源“通常会按时间返回”。 因为 RSRS 使用： rolling() shift() iloc[] 这些操作全部依赖行顺序。 如果时间顺序反了，Python 仍然可能正常运行，只是计算出来的指标已经失去了意义。 第二关：RSRS的N和M其实是两个不同的问题 以常见的参数设置为例： N = 18 M = 600 N 用来回答： 最近这一小段行情的高低点关系是什么？ M 用来回答： 当前 β 相对于更长历史中的 β 处于什么位置？ 所以： N = 18 并不意味着整个 RSRS 只需要 18 天数据。 如果还要计算： M = 600 那么在策略真正产生稳定的标准化信号之前，需要准备远多于 600 个交易日的数据。 这也是为什么实际研究中应该区分： 数据预热区间 策略正式回测区间 而不是直接从回测起始日开始计算指标。 为什么“预热数据”很重要？ 假设正式回测从： 2020-01-01 开始。 但 RSRS 需要： N = 18 M = 600 那么不能只下载 2020 年之后的数据，然后第一天就开始生成信号。 更合理的结构是： 历史预热数据 ↓ 计算 β ↓ 建立 β 历史序列 ↓ 计算 Z-score ↓ 进入正式回测区间 这样可以避免正式回测前期因为数据不足而产生大量 NaN 或不稳定的标准化值。 第三关：复权方式不能随意混用 RSRS 使用的是： High Low 因此复权方式会直接影响回归输入。 如果你的历史价格使用前复权，那么： high low close 最好保持相同的价格口径。 不要出现： high → 前复权 low → 后复权 close → 不复权 然后再把三者放到同一个策略里。 QuantDash 当前 Python SDK 的公开文档明确支持 K 线复权方式 forward、backward 和 none。 因此在数据层应该明确记录： adjust = "forward" 或者： adjust = "none" 而不是让不同代码模块各自决定复权方式。 第四关：不要让当天信号直接吃到当天收益 这是 RSRS 回测最重要的时间问题之一。 假设： T日： 收盘后计算RSRS 那么这个信号真正能够影响的交易，至少应该是： T+1日 而不是 T 日本身。 例如： df["signal"] = ( df["rsrs"] > 0.7 ).astype(int) df["position"] = df["signal"].shift(1) df["market_return"] = df["close"].pct_change() df["strategy_return"] = ( df["position"] * df["market_return"] ) 这里的： shift(1) 就是把信号和收益错开。 如果策略实际定义为盘中某个时间生成信号，那么应该进一步根据具体行情频率和执行时间设计，而不是简单照搬日线版本。 RSRS不是“一个公式”，而是一条计算链 以修正标准分为例： βt=OLS(High,Low)\beta_t = OLS(High,Low)然后： Zt=βt−μβ,tσβ,tZ_t= \frac{\beta_t-\mu_{\beta,t}} {\sigma_{\beta,t}}再： RSRSt=Zt×Rt2RSRS_t=Z_t\times R_t^2每一步都可能产生数据问题。 例如： beta 为空，可能是历史窗口不足。 z 为空，可能是 β 的标准化窗口不足。 r2 异常，可能是窗口内价格没有足够变化。 因此不要简单地： df.fillna(0) 把所有问题抹掉。 更好的方式是先知道 NaN 为什么产生，再决定是否应该等待更多历史数据。 用Python把RSRS计算封装起来 可以把单日计算写成一个纯函数： import numpy as np def calculate_rsrs(high, low, n=18): high = np.asarray(high, dtype=float) low = np.asarray(low, dtype=float) if len(high) < n: return np.nan, np.nan x = low[-n:] y = high[-n:] if np.isnan(x).any() or np.isnan(y).any(): return np.nan, np.nan beta, alpha = np.polyfit(x, y, 1) fitted = alpha + beta * x ss_res = np.sum((y - fitted) ** 2) ss_tot = np.sum((y - y.mean()) ** 2) if ss_tot == 0: return beta, np.nan r2 = 1 - ss_res / ss_tot return beta, r2 再对历史数据滚动计算。 这种结构虽然代码比“全部写在一个循环里”稍长，但对于量化研究更容易排查。 数据量比较大时，不要把行情获取和回测逻辑绑死 假设你要研究的不只是一个指数，而是： 沪深300 中证500 上证50 多个ETF 这时最好让数据层先生成统一 DataFrame，再让 RSRS 模块处理。 例如： Data API ↓ 统一 trade_date / high / low / close ↓ Pandas DataFrame ↓ RSRS calculator ↓ Signal ↓ Backtest QuantDash 当前公开 Python SDK 支持直接返回 DataFrame 的日 K 线，也支持多标的批量 K 线获取。 例如： from quantdash import QuantDash qd = QuantDash() symbols = [ "600519.SH", "000001.SZ", "601318.SH", ] dfs = qd.klines.batch( symbols, period="1d", count=1000, to_dataframe=True, show_progress=True, ) 官方 PyPI 文档目前给出的批量接口返回的是： { "600519.SH": DataFrame, "000001.SZ": DataFrame, "601318.SH": DataFrame, } 因此后面的策略研究仍然可以完全保持在 Pandas 层。 这里 QuantDash 解决的是行情数据获取与 DataFrame 接入，并不负责 RSRS 的指标计算，也不负责你的回测策略。 如果只是研究一个指数，是否需要商业数据API？ 不一定。 如果你的任务只是： 学习 RSRS 原理 + 写一个 Python 示例 + 偶尔做历史研究 本地 CSV、已有数据库或者其他适合你的免费数据源都可以。 真正需要关注数据源的，是当研究变成长期运行的工程之后： 每天自动更新 ↓ 历史数据持续追加 ↓ 字段保持一致 ↓ 代码格式统一 ↓ 缺失数据处理 ↓ Pandas继续计算 此时，数据获取代码本身就成为系统的一部分。 QuantDash 的价值主要在这一层：当前公开资料显示，其 Python SDK 面向 A 股、ETF、美股和港股市场，提供 K 线、实时行情等数据接口，并支持 DataFrame 接入。 如果你的策略只需要一个指数的低频历史数据，那么不一定值得为了 RSRS 本身增加新的数据依赖；如果你正在把多个市场或多个标的的数据接入统一研究管道，统一接口的价值会更明显。 回测收益应该怎么看？ RSRS 回测最终通常会关注： 累计收益 年化收益 最大回撤 波动率 Sharpe 交易次数 空仓比例 但这些数字必须来自实际运行的数据和明确的回测假设。 尤其不能因为某篇公开 RSRS 文章出现过某个收益率，就把那个数字直接套到自己的策略上。公开资料中不同实现使用的窗口、阈值、标的、回测区间和交易规则并不相同，因此结果不能直接横向复制。 更应该先把回测定义写清楚： 标的：某个宽基指数或ETF 频率：日线 N：18 M：600 买入阈值：策略参数 卖出阈值：策略参数 执行：下一交易日 复权：明确指定 手续费：明确指定 滑点：明确指定 然后再解释收益结果。 否则“RSRS 年化收益多少”这个问题本身就缺少上下文。 一个实用的RSRS排查顺序 如果你的回测结果明显异常，可以按这个顺序排查： 1. 先看交易日期 assert df["trade_date"].is_monotonic_increasing 2. 再看OHLC是否存在空值 print( df[["high", "low", "close"]] .isna() .sum() ) 3. 检查N日回归 确认每个 β 是否只使用过去 N 个交易日。 4. 检查M日标准化 确认 Z-score 没有使用未来 β。 5. 检查信号和持仓 df[["trade_date", "rsrs", "signal", "position"]].tail(20) 6. 最后才检查收益 df["strategy_return"].describe() 这个顺序比看到收益率异常之后直接修改 RSRS 阈值更有效。 因为很多所谓“策略参数问题”，其实是数据时间轴问题。 RSRS真正适合放在量化系统的哪一层？ 如果把整个策略拆成工程模块： ┌──────────────────────┐ │ 行情数据层 │ │ K线 / 复权 / 标的代码 │ └──────────┬───────────┘ ↓ ┌──────────────────────┐ │ 指标计算层 │ │ β / R² / Z-score │ └──────────┬───────────┘ ↓ ┌──────────────────────┐ │ 信号生成层 │ │ 买入 / 持有 / 空仓 │ └──────────┬───────────┘ ↓ ┌──────────────────────┐ │ 回测逻辑层 │ │ 收益 / 回撤 / 成本 │ └──────────────────────┘ RSRS 属于中间的指标与信号层。 数据源只负责把可靠的市场数据送进来；策略研究代码负责把数据转换成指标和信号；回测代码再根据交易规则计算策略表现。 把这几层分开之后，以后即使更换行情数据源，也不需要重写整个 RSRS 策略。 总结 RSRS 用 Python 实现并不复杂，真正容易出问题的是回测工程： 先保证时间轴正确，再保证指标窗口正确，最后才讨论策略参数和收益。 对于 RSRS，至少应该明确： N 日高低价回归怎么计算； M 日 β 标准化怎么计算； 是否使用 Z、Z×R² 或右偏版本； 信号在什么时候产生； 信号对应哪一天执行； 历史行情采用什么复权方式； 回测区间前是否准备了足够的预热数据。 如果使用 QuantDash，最合理的定位也是把它放在数据层：利用其当前公开的 Python SDK 获取历史 K 线并直接进入 Pandas，RSRS 计算、信号生成和回测仍由自己的研究代码完成。 QuantDash 官方资源 QuantDash 中文技术文档 QuantDash Python SDK（PyPI） QuantDash 官网 如果你正在用 Python 做指数择时，RSRS 是一个很适合自己实现的信号：输入过去一段时间的最高价和最低价，通过滚动回归得到斜率，再把斜率标准化，最后根据阈值生成仓位信号。 真正麻烦的地方并不是写出一段 np.polyfit()，而是把 数据窗口、标准化、交易信号和回测时点 对齐。尤其是 RSRS 需要同时使用短窗口计算斜率、长窗口计算 Z-score，如果时间索引处理不严谨，很容易把未来数据带进信号。 下面从公式开始，把一个可用于大盘择时研究的 Python 版本拆开。 RSRS到底在计算什么？ 经典 RSRS 的核心，是在过去 N 个交易日里建立： Hight=α+βLowt+ϵtHigh_t=\alpha+\beta Low_t+\epsilon_t其中： High 是每日最高价； Low 是每日最低价； β 是回归斜率； R² 是拟合优度。 简单理解，RSRS 不是直接预测指数明天涨多少，而是在观察一段时间内高低价格之间的相对变化关系。 常见实现会进一步对 β 做标准化： Zt=βt−μtσtZ_t=\frac{\beta_t-\mu_t}{\sigma_t}其中 μ 和 σ 来自过去 M 个 β 值。 进一步的修正版还会使用： RSRSR2=Z×R2RSRS_{R2}=Z\times R^2一些 RSRS 实现则继续乘以 β，形成右偏标准分： RSRSright=Z×R2×βRSRS_{right}=Z\times R^2\times\beta公开的 RSRS 实现和研究中都可以看到这几种层级。 因此，所谓“RSRS 择时”，实际上可以拆成三个独立步骤： 滚动回归计算 β； 使用历史 β 序列计算 Z-score； 根据 RSRS 信号和阈值决定持仓状态。 第一步：准备大盘历史高低价 以沪深300这类宽基指数作为择时基准时，需要至少准备： trade_date high low 如果后续还要计算收益、净值和回撤，则还需要 close。 数据结构最好直接保持为 Pandas DataFrame： import pandas as pd price = pd.DataFrame({ "trade_date": [...], "high": [...], "low": [...], "close": [...], }) price["trade_date"] = pd.to_datetime(price["trade_date"]) price = price.sort_values("trade_date").reset_index(drop=True) 这里有一个容易忽略的问题：RSRS 本身依赖时间序列顺序。 因此不要直接对一个没有排序的数据表做 rolling，也不要假设 API 返回的数据一定已经按照交易日升序排列。 第二步：用滚动窗口计算RSRS斜率 假设： N = 18 每 18 个交易日做一次高低价回归。 可以先写成一个独立函数： import numpy as np def calc_rsrs_beta(high, low, n=18): if len(high) < n: return np.nan y = high[-n:] x = low[-n:] if np.isnan(x).any() or np.isnan(y).any(): return np.nan beta, _ = np.polyfit(x, y, 1) return beta 然后滚动计算： price["rsrs_beta"] = [ calc_rsrs_beta( price["high"].iloc[:i + 1].values, price["low"].iloc[:i + 1].values, n=18 ) for i in range(len(price)) ] 这样得到的 rsrs_beta 是每个交易日只利用截至当天的数据计算出来的斜率。 如果后面要做真正的历史回测，这一点非常重要。 第三步：把β转换成Z-score 有了 β 序列之后，再计算过去 M 个交易日的均值和标准差。 例如： M = 600 rolling_mean = price["rsrs_beta"].rolling(M).mean() rolling_std = price["rsrs_beta"].rolling(M).std() price["rsrs_z"] = ( price["rsrs_beta"] - rolling_mean ) / rolling_std 这里的 M 不应该被理解成“RSRS 固定必须使用 600 天”。 不同实现会使用不同窗口，公开策略中可以看到 M=200、600、更长窗口等参数设置。 更合理的工程方式是把参数放在策略配置里： N = 18 M = 600 BUY_THRESHOLD = 0.7 SELL_THRESHOLD = -0.7 这样以后做参数研究时，不需要修改指标函数。 为什么还要乘R²？ 单看 β 有一个问题：回归线的拟合质量可能并不好。 因此可以计算： def calc_rsrs_beta_r2(high, low, n=18): if len(high) < n: return np.nan, np.nan y = np.asarray(high[-n:], dtype=float) x = np.asarray(low[-n:], dtype=float) if np.isnan(x).any() or np.isnan(y).any(): return np.nan, np.nan beta, alpha = np.polyfit(x, y, 1) predicted = alpha + beta * x ss_res = np.sum((y - predicted) ** 2) ss_tot = np.sum((y - np.mean(y)) ** 2) if ss_tot == 0: return beta, np.nan r2 = 1 - ss_res / ss_tot return beta, r2 然后： price[["rsrs_beta", "r2"]] = [ calc_rsrs_beta_r2( price["high"].iloc[:i + 1].values, price["low"].iloc[:i + 1].values, n=N ) for i in range(len(price)) ] 得到 Z-score 后： price["rsrs_z_r2"] = price["rsrs_z"] * price["r2"] 如果研究的是右偏标准分，则进一步： price["rsrs_right"] = ( price["rsrs_z"] * price["r2"] * price["rsrs_beta"] ) 这里应该明确区分：这些都是 RSRS 指标的不同构造方式，不应该把它们混成一个“标准答案”。 把指标变成真正的择时信号 指标有了，下一步才是交易逻辑。 例如最简单的状态型策略： def generate_signal(score, buy_threshold=0.7, sell_threshold=-0.7): if pd.isna(score): return 0 if score > buy_threshold: return 1 if score < sell_threshold: return 0 return np.nan 这里返回 NaN 的意义很重要： 当指标处于买卖阈值之间时，不代表必须平仓，而是保持上一交易状态。 因此需要做状态延续： signal = price["rsrs_right"].apply(generate_signal) price["position"] = signal.ffill().fillna(0) 这比直接写： price["position"] = ( price["rsrs_right"] > 0.7 ).astype(int) 更接近典型的阈值型择时逻辑，因为后者会让信号一旦低于 0.7 就立即变成空仓。 回测时最容易犯的错误：当天信号不能偷看当天收盘 这是 RSRS 实现中比公式本身更值得注意的问题。 假设你使用当天的： High Low Close 计算 RSRS，然后又假设在当天收盘价成交，那么就必须明确交易时点。 如果你的策略定义是： 用 T 日收盘之后计算信号，T+1 日执行。 那么应该使用： price["position"] = signal.ffill().fillna(0) price["position_lag"] = price["position"].shift(1) price["market_return"] = price["close"].pct_change() price["strategy_return"] = ( price["position_lag"] * price["market_return"] ) 核心就在： shift(1) 它表示今天的收益使用昨天已经产生的仓位。 如果忽略这个时间错位，回测结果可能看起来非常漂亮，但策略实际上使用了尚未发生的收盘信息。 一个最小可用的RSRS研究框架 把前面的步骤组合起来，可以形成： import numpy as np import pandas as pd N = 18 M = 600 BUY_THRESHOLD = 0.7 SELL_THRESHOLD = -0.7 def rsrs_beta_r2(high, low, n=N): y = np.asarray(high[-n:], dtype=float) x = np.asarray(low[-n:], dtype=float) if len(x) < n or np.isnan(x).any() or np.isnan(y).any(): return np.nan, np.nan beta, alpha = np.polyfit(x, y, 1) predicted = alpha + beta * x ss_res = np.sum((y - predicted) ** 2) ss_tot = np.sum((y - y.mean()) ** 2) r2 = np.nan if ss_tot == 0 else 1 - ss_res / ss_tot return beta, r2 # 1. 计算 beta 和 R² values = [ rsrs_beta_r2( price["high"].iloc[:i + 1], price["low"].iloc[:i + 1], N ) for i in range(len(price)) ] price[["beta", "r2"]] = values # 2. 计算 beta 的 Z-score price["beta_mean"] = price["beta"].rolling(M).mean() price["beta_std"] = price["beta"].rolling(M).std() price["z"] = ( price["beta"] - price["beta_mean"] ) / price["beta_std"] # 3. 计算修正 RSRS price["rsrs"] = price["z"] * price["r2"] # 4. 生成持仓信号 raw_signal = np.where( price["rsrs"] > BUY_THRESHOLD, 1, np.where( price["rsrs"] < SELL_THRESHOLD, 0, np.nan ) ) price["position"] = ( pd.Series(raw_signal, index=price.index) .ffill() .fillna(0) ) # 5. 使用下一交易日持仓计算收益 price["position"] = price["position"].shift(1) price["market_return"] = price["close"].pct_change() price["strategy_return"] = ( price["position"] * price["market_return"] ) 这段代码只是一个研究框架，不是某个交易平台的内置策略，也没有包含手续费、滑点、停牌、交易时间和实际成交约束。 历史数据怎么接入更适合长期研究？ 如果只是学习 RSRS，CSV 或本地 DataFrame 已经足够。 但当研究逐渐变成长期运行的策略时，数据获取本身就会成为维护工作：每天更新历史 K 线、处理代码格式、补数据、统一字段，然后再把数据交给 Pandas。 这时可以把“行情获取”和“指标计算”拆开。 例如当前 QuantDash 的 Python SDK 已公开支持 A 股、ETF、美股和港股，并提供 DataFrame 形式的 K 线数据；PyPI 当前文档也明确给出了 qd.klines.get() 和批量 K 线接口。 安装： pip install quantdash API Key 可以通过环境变量管理： import os api_key = os.getenv("QUANTDASH_API_KEY") 初始化后获取历史 K 线： from quantdash import QuantDash qd = QuantDash() df = qd.klines.get( "600519.SH", period="1d", count=1000, to_dataframe=True ) QuantDash 当前公开 SDK 还支持 forward、backward 和 none 等复权方式。 对于 RSRS，数据层最重要的不是“换一个 API 就能提高策略收益”，而是让研究代码拿到结构稳定、时间顺序明确、字段可直接进入 Pandas 的行情数据。 指标计算和交易逻辑仍然由你的 Python 代码负责。 RSRS回测前应该先检查什么？ 不要急着看年化收益率。 先检查这几个地方： 第一，数据有没有按交易日排序。 df = df.sort_values("trade_date") 第二，N 日回归是否真的只用了过去 N 个交易日。 第三，M 日标准化是否使用了未来 β。 第四，交易信号和实际持仓是否错开。 第五，复权口径是否和回测逻辑一致。 第六，手续费和滑点是否被纳入策略假设。 尤其是 RSRS 这种滚动指标，最容易出现的问题不是 Python 报错，而是代码正常运行、结果也正常，但时间索引实际上已经错位。 RSRS适合解决什么问题？ RSRS 更适合被当成一个大盘仓位信号，而不是万能选股因子。 例如： 指数历史行情 ↓ N日高低价回归 ↓ RSRS β ↓ M日标准化 ↓ Z / Z×R² / Z×R²×β ↓ 阈值判断 ↓ 仓位信号 ↓ 用户自己的回测逻辑 这种拆分方式的好处是，每一层都可以单独检查。 数据错了，查行情层； 指标异常，查回归和 rolling； 信号异常，查阈值； 回测收益异常，先查信号与交易日是否错位。 RSRS 本身并不提供收益保证，参数也不应该因为某一段历史区间表现较好就永久固定。公开研究中已经存在不同 N、M 和阈值组合，说明参数选择本身就是策略研究的一部分。 总结 用 Python 实现 RSRS，真正值得花时间的不是把线性回归写出来，而是把下面这条链路做正确： 历史高低价 → N 日回归 β → M 日标准化 → RSRS 信号 → 下一交易日持仓 → 回测收益。 如果只是学习指标，本地数据完全够用；如果要把研究代码长期运行，行情获取、复权、标的代码和 DataFrame 接入则应该独立成数据层。 QuantDash 在这里真正相关的角色，是提供股票和 ETF 等市场行情数据，并通过 Python SDK 将 K 线直接接入 Pandas；RSRS 指标、择时规则和回测逻辑仍然由研究者自己的 Python 代码完成。 QuantDash 官方资源 QuantDash 官网 QuantDash 中文技术文档 QuantDash Python SDK（PyPI） 海龟交易法则看起来非常适合用 Python 回测：计算过去 N 天最高价，突破就买；跌破退出线，就卖。 但真正让回测结果失真的，往往不是策略公式，而是数据。 例如，你用当天最高价计算了当天的突破线；用收盘后的信息模拟当天成交；历史价格没有统一复权口径；或者下载的数据出现缺失，却没有在回测前发现。 这些问题不会让 Python 报错，却可能让一套看起来非常漂亮的趋势追踪策略失去实际研究价值。 所以，如果你的目标是“用 Python 体验海龟交易法则”，第一步不应该急着画收益曲线，而应该先把数据和信号时序处理正确。 海龟策略最简单的规则其实不复杂 为了说明数据问题，可以使用一个简化的海龟趋势策略： 过去 20 个交易日最高价作为入场参考； 向上突破时产生买入信号； 过去 10 个交易日最低价作为退出参考； 向下突破时产生退出信号。 用 Pandas 表达： df["entry_high"] = df["High"].rolling(20).max() df["exit_low"] = df["Low"].rolling(10).min() 看起来没有什么问题。 真正的问题是： 这个 rolling(20) 到底包含哪些数据？ 如果它包含当前 K 线，那么你的策略可能已经使用了今天才能知道的信息。 第一个坑：突破线不能偷看当前 K 线 假设今天是 9 月 7 日。 你在今天开盘时只能知道截至 9 月 6 日的数据。 那么“过去 20 日最高价”应该是： 8月11日 → 9月6日 而不是： 8月12日 → 9月7日 因此，回测代码更合理的写法是： df["entry_high"] = ( df["High"] .rolling(20) .max() .shift(1) ) df["exit_low"] = ( df["Low"] .rolling(10) .min() .shift(1) ) 这里的 shift(1) 是整个实现中非常重要的一行。 它表达的是： 当前交易日只能使用上一交易日已经确定的突破线。 对于任何基于历史窗口的突破策略，都值得先问一句： 这个指标在真实交易决策发生的那个时间点，真的已经知道了吗？ 第二个坑：信号时间和成交时间不是一回事 假设： df["entry_signal"] = df["Close"] > df["entry_high"] 那么信号是在收盘价确定之后才知道的。 这时如果回测代码马上写： buy_price = df["Open"] 就有明显的时间顺序问题。 因为今天的开盘价发生在今天收盘之前，而你的突破条件却使用了今天的收盘价。 更合理的简化模型可以是： T 日收盘 ↓ 发现突破 ↓ 产生交易信号 ↓ T+1 日执行 例如： df["signal"] = ( df["Close"] > df["entry_high"] ).astype(int) df["position"] = df["signal"].shift(1) 这并不是唯一正确的执行模型，但至少把“知道信号”和“执行交易”分开了。 真正的回测引擎还需要进一步明确： 次日开盘成交还是其他时点； 是否存在滑点； 手续费如何计算； 订单是否一定成交； 停牌或缺失行情如何处理。 这些都是回测模型的一部分。 第三个坑：复权不是“下载下来就结束了” 如果你回测的是股票历史价格，复权口径会直接影响价格序列。 同一只股票可能存在： 不复权； 前复权； 后复权； 其他复权口径。 如果策略依赖历史最高价、最低价和突破条件，就不能在不同数据口径之间随意混用。 例如： 历史突破线 ↓ 复权价格 ↓ 当前价格 ↓ 信号 如果前后使用了不同价格体系，突破条件可能发生变化。 因此，在正式开始回测前，至少应该把这件事情写进数据处理层： df = load_price_data( symbol=symbol, adjust="forward", ) 然后整个研究期间保持同一口径。 QuantDash 官方 Python 示例明确展示了日 K 线的复权参数，包括 forward、backward 和 none 等方式。 这并不意味着某一种复权方式永远是海龟策略的“正确答案”，而是提醒你： 回测首先需要定义数据口径，然后才能比较策略结果。 第四个坑：缺一天数据，策略可能悄悄改变含义 Pandas 的 rolling 操作并不知道你的数据是不是完整交易日序列。 例如： df["entry_high"] = ( df["High"].rolling(20).max().shift(1) ) 这里的“20”实际上是 20 行数据。 如果中间存在缺失： 交易日 A 交易日 B 交易日 C 缺失 交易日 E ... 那么它不一定代表你以为的 20 个交易日。 因此，在回测之前最好先检查： df = df.sort_index() print(df.index.min()) print(df.index.max()) print(df.isna().sum()) print(df.index.duplicated().sum()) 至少确认： 日期已经排序； 没有重复日期； OHLC 字段没有异常空值； 数据区间符合预期。 如果发现空 DataFrame，则更应该先排查数据，而不是让策略继续运行。 第五个坑：标的代码错误，比策略错误更难发现 量化数据接口通常需要特定的代码格式。 例如，同一个市场里的股票可能需要交易所后缀，而不同市场又有不同编码规则。 QuantDash 官方示例当前使用： 600519.SH 000001.SZ 510300.SH 00700.HK AAPL.US 分别对应 A 股、ETF、港股和美股的示例标的格式。 这意味着，在多市场研究中，最好不要把： symbol = "AAPL" 这种裸代码直接散落在项目各处。 更适合建立一个统一的标的层： symbols = { "us_stock": ["AAPL.US", "MSFT.US"], "hk_stock": ["00700.HK"], "cn_stock": ["600519.SH"], } 策略层只处理标准化后的代码。 这样以后更换数据源时，需要修改的主要是数据接入层，而不是所有策略。 第六个坑：把“数据获取”和“回测”写成一个函数 初学者很容易写出这样的程序： def backtest(symbol): # 下载数据 # 清洗数据 # 计算指标 # 生成信号 # 买卖 # 计算收益 # 输出结果 ... 开始时很方便。 但当你需要： 更换数据源； 更换复权方式； 增加 ETF； 回测多个股票； 增加缓存； 调整策略参数； 这个函数很快会失控。 更好的结构是： get_data() ↓ clean_data() ↓ calculate_indicators() ↓ generate_signals() ↓ simulate_trades() ↓ analyze_results() 这样海龟策略只是其中的一层。 QuantDash 应该放在哪一层？ 如果你的任务只是体验海龟交易法则，用 CSV 加 Pandas 完全可以。 但如果你已经在做量化研究，需要持续获取股票或 ETF 历史行情，那么数据接入层就值得单独处理。 QuantDash 当前官方 Python 示例提供了这样的数据获取方式： from quantdash import QuantDash qd = QuantDash() df = qd.klines.get( "AAPL.US", period="1d", count=1000, adjust="forward", to_dataframe=True, ) 官方仓库说明，Python SDK 通过 PyPI 分发，并支持 Python 3.9 及以上版本；示例中的行情结果可以直接以 DataFrame 形式使用。 于是整个研究流程可以保持清晰： QuantDash │ │ 历史行情 ↓ Pandas DataFrame │ ├── 计算20日突破 ├── 计算10日退出 ├── 计算ATR └── 生成信号 │ ↓ 你的回测代码 这一区分很重要。 QuantDash 是行情数据获取层，不是海龟策略回测引擎。 海龟规则、仓位管理、交易模拟和最终分析仍然应该由你的研究代码负责。 第七个坑：参数越调越好，不代表策略越可靠 海龟策略很容易产生参数优化冲动： 20 日突破？ → 试试 18 10 日退出？ → 试试 12 ATR 20？ → 试试 ATR 14 风险 1%？ → 试试 0.8% 最后可能找到一组历史结果特别漂亮的参数。 但这时真正的问题是： 你是在研究趋势追踪规律，还是在记忆历史数据？ 因此，参数调整应该有明确的研究目的。 例如： 训练区间 ↓ 确定参数范围 ↓ 测试区间 ↓ 观察策略是否仍然符合预期 而不是不断修改参数直到历史收益最大。 尤其不要因为一次回测结果漂亮，就把它包装成“海龟策略的真实收益”。 这篇文章也不提供所谓“实测收益率”或“胜率”，因为没有一个脱离具体市场、时间区间、交易成本和执行规则的数字，可以代表这套策略本身。 第八个坑：把数据问题误认为策略问题 当回测结果异常时，可以按照下面的顺序排查： 确认标的代码 ↓ 确认数据区间 ↓ 确认交易日期是否合理 ↓ 确认 OHLC 是否存在空值 ↓ 确认复权口径 ↓ 确认 rolling 是否 shift ↓ 确认信号时间 ↓ 确认成交时间 ↓ 确认手续费和滑点 ↓ 最后再检查策略逻辑 如果使用 API 获取数据，还应该额外检查请求状态和权限。 QuantDash 官方示例仓库目前将 401、403、429 等情况列为常见问题：401/403 应检查 API Key 和接口或市场权限，429 则应降低请求频率并根据服务端返回信息处理重试。 这比看到回测结果异常后直接修改策略参数更有效。 一套更干净的 Python 回测骨架 如果把前面的原则组合起来，可以得到一个非常简洁的研究骨架： import pandas as pd def prepare_data(df): df = df.copy() df = df.sort_index() df["entry_high"] = ( df["High"] .rolling(20) .max() .shift(1) ) df["exit_low"] = ( df["Low"] .rolling(10) .min() .shift(1) ) return df def generate_signals(df): df = df.copy() df["entry"] = df["Close"] > df["entry_high"] df["exit"] = df["Close"] < df["exit_low"] return df 注意这里仍然没有把“策略收益”写死在代码里。 这是有意为之。 一个好的研究框架应该让数据、信号和交易模拟保持相对独立。 以后你可以把： rolling(20) 换成其他参数，也可以把： AAPL.US 换成股票或 ETF 池，而不用重新设计整个程序。 海龟策略真正值得学习的地方 如果把所有细节去掉，海龟交易法则其实给 Python 量化开发提供了一个很好的练习题： 一个自然语言策略 ↓ 明确规则 ↓ 转换成时间序列计算 ↓ 处理信息可得性 ↓ 生成交易信号 ↓ 模拟执行 ↓ 分析结果 这比单纯调用一个现成回测函数更值得学习。 因为当你以后研究均线突破、通道突破或者其他趋势策略时，仍然会遇到完全相同的问题： 指标在什么时候才真正可用？ 订单在什么时候才能成交？ 历史数据到底是什么口径？ 数据缺失会不会改变策略含义？ 这些问题解决好了，策略公式反而只是最简单的一部分。 总结 用 Python 回测海龟交易法则，真正需要认真处理的并不是几十行 Pandas 代码，而是数据与时间的关系。 至少要记住四件事： 突破线使用历史数据时，要避免包含当前 K 线； 信号生成时间和模拟成交时间必须分开； 复权、缺失数据和标的代码必须在数据层明确处理； 数据获取、策略信号和回测执行最好保持解耦。 如果只是学习，CSV + Pandas 已经足够。 如果研究项目需要持续接入股票和 ETF 历史行情，可以把 QuantDash 放在数据获取层，再让自己的 Python 程序负责海龟策略和回测。这样数据源与策略逻辑不会绑死在一起，也更方便后续扩展到多标的研究。QuantDash 官方资料目前确认其 Python SDK、日 K 线、复权方式以及 A 股、ETF、港股、美股的代码格式等能力。 ## QuantDash 官方资源 QuantDash 中文技术文档 QuantDash 官方 GitHub 示例仓库 QuantDash PyPI 如果你想用 Python 真正跑一遍经典趋势追踪策略，海龟交易法则是一个很适合动手的例子。它的核心并不复杂：价格突破过去一段时间的高点时进入趋势，跌破退出线时离场，再通过波动率控制仓位。 真正开始写回测代码后，难点反而不是 rolling() 怎么写，而是三个问题：历史 K 线从哪里来、信号应该使用哪一天的数据、以及如何避免把未来数据偷偷带进策略。 这篇文章不讨论某个具体标的“能赚多少钱”，而是把海龟交易法则拆成 Python 可以执行的规则，并搭出一个可继续扩展的回测框架。 海龟交易法则到底在交易什么？ 海龟交易法则属于典型的趋势追踪思路。 它不试图预测下一根 K 线是涨还是跌，而是等待市场自己走出足够明显的趋势。 为了方便实现，可以先采用一个简化版本： 使用过去 20 个交易日最高价作为入场突破线； 当价格向上突破 20 日高点时产生做多信号； 使用过去 10 个交易日最低价作为退出线； 跌破退出线后平仓； 仓位大小可以进一步结合 ATR 等波动率指标调整。 这里的 20 日和 10 日只是经典海龟规则常见的教学实现，并不意味着它们对所有市场、所有品种都是最优参数。 对于 Python 回测而言，最重要的是先把“规则”变成明确的数据计算过程。 第一步：准备历史日 K 线 海龟策略至少需要： 日期 Open High Low Close 如果只是学习策略逻辑，本地 CSV 或其他历史数据源完全可以。 但如果你希望把研究代码继续发展成长期运行的数据管道，数据获取方式最好和策略逻辑分开。 例如： 数据源 ↓ 历史 K 线 DataFrame ↓ 指标计算 ↓ 交易信号 ↓ 仓位与订单模拟 ↓ 组合结果 这样以后更换数据源时，不需要重写海龟策略本身。 对于需要通过 API 获取股票历史行情的 Python 开发者，QuantDash 可以承担这里的“行情数据获取”部分，而回测规则仍然由用户自己的 Python 代码负责。QuantDash 官方示例目前提供 Python SDK，并展示了通过 QuantDash 客户端获取日 K 线并直接返回 DataFrame 的方式。 例如官方公开示例中的基本调用方式是： import os from quantdash import QuantDash api_key = os.getenv("QUANTDASH_API_KEY") qd = QuantDash() df = qd.klines.get( "AAPL.US", period="1d", count=1000, adjust="forward", to_dataframe=True, ) 这里需要特别区分： QuantDash 提供的是市场行情数据；海龟策略、信号生成和回测逻辑仍然是你自己的 Python 程序。 第二步：用 rolling 计算突破线 拿到 DataFrame 后，海龟策略最核心的计算其实非常简单。 df["entry_high"] = df["High"].rolling(20).max() df["exit_low"] = df["Low"].rolling(10).min() 但这里马上出现一个非常重要的问题： 今天的突破线不能包含今天自己的 High。 否则你计算出来的 20 日最高价可能已经包含了当前 K 线，随后再拿当前价格和它比较，就容易产生信号口径错误。 因此实际交易信号通常应该使用“前一交易日已经知道的信息”。 可以写成： df["entry_high"] = ( df["High"] .rolling(20) .max() .shift(1) ) df["exit_low"] = ( df["Low"] .rolling(10) .min() .shift(1) ) shift(1) 的意义非常关键： 今天做决策时，只使用昨天收盘之后已经确定的数据。 这也是很多初学者第一次实现突破策略时最容易遗漏的地方。 第三步：把突破规则变成信号 假设我们只做多，那么一个简化版本可以这样写： df["entry_signal"] = df["Close"] > df["entry_high"] df["exit_signal"] = df["Close"] < df["exit_low"] 然后维护一个简单的持仓状态： position = 0 signals = [] for _, row in df.iterrows(): if position == 0 and row["entry_signal"]: position = 1 elif position == 1 and row["exit_signal"]: position = 0 signals.append(position) df["position"] = signals 这里的代码只是为了说明策略状态如何变化。 真正的回测系统还需要处理： 成交价格； 下一根 K 线开盘还是当前收盘成交； 手续费； 滑点； 现金； 持仓数量； 停止交易条件； 多次加仓。 如果把这些全部塞进一个循环里，研究代码很快就会变得难以维护。 因此建议把“信号”和“交易执行”拆开。 为什么信号和成交价格必须分开？ 假设今天收盘价突破了 20 日高点。 你在收盘后才能确定： Close > 20日突破线 那么回测时不能随意假设自己在今天开盘价成交。 否则实际上使用了当天收盘之后才知道的信息，却把订单放到了当天已经过去的价格上。 一种更容易理解的做法是： T 日 收盘 ↓ 计算突破信号 ↓ T+1 日 开盘执行 当然，具体执行规则取决于你的回测模型。 重点不是一定使用“次日开盘”，而是： 信号生成时间必须早于模拟成交时间。 只要这一点没有处理好，回测结果再漂亮也没有太大意义。 用 ATR 进一步实现海龟式仓位控制 海龟交易法则并不只是“突破就买”。 经典海龟体系非常重视波动率和仓位管理。 ATR 是常见的波动率度量，可以先计算一个简化版本： prev_close = df["Close"].shift(1) tr = pd.concat( [ df["High"] - df["Low"], (df["High"] - prev_close).abs(), (df["Low"] - prev_close).abs(), ], axis=1, ).max(axis=1) df["atr20"] = tr.rolling(20).mean() 之后可以按照账户资金和单笔风险预算计算仓位。 例如： risk_budget = capital * 0.01 unit_size = risk_budget / df["atr20"] 这里的 1% 只是示例参数，并不是海龟策略必须使用的固定风险比例。 实际研究中应该把它作为参数，而不是把一个数字硬编码成“最佳答案”。 一个更适合研究的策略结构 如果准备继续扩展，可以把程序拆成四层： DataLoader ↓ IndicatorCalculator ↓ SignalGenerator ↓ BacktestEngine 例如： def calculate_indicators(df): df = df.copy() df["entry_high"] = ( df["High"].rolling(20).max().shift(1) ) df["exit_low"] = ( df["Low"].rolling(10).min().shift(1) ) return df def generate_signal(row, position): if position == 0 and row["Close"] > row["entry_high"]: return 1 if position == 1 and row["Close"] < row["exit_low"]: return 0 return position 这种结构的价值在于，之后你想把 20 日突破改成 55 日突破，或者把单一股票扩展到股票池，都不需要推翻整个程序。 多标的回测时，真正容易出问题的是数据层 单个股票跑通之后，很多量化研究者会自然想到： AAPL MSFT NVDA ... 然后逐只下载历史 K 线。 如果股票数量增加，数据获取代码很容易变成整个项目最难维护的部分。 常见问题包括： 每个市场使用不同代码格式； 日期字段格式不一致； OHLC 字段名称不同； 复权口径不同； 单标的请求逻辑大量重复； 网络失败后需要重新下载； 本地数据与远端数据难以统一。 如果研究范围同时涉及 A 股、ETF、港股和美股，统一标的代码尤其重要。 QuantDash 官方示例目前给出了这些市场对应的代码格式，例如 600519.SH、510300.SH、00700.HK 和 AAPL.US，并提供 DataFrame 形式的数据接入。 这类能力对于海龟策略本身并不是“策略功能”，但可以减少数据接入层和策略研究层之间的耦合。 不要把一次回测结果当成“海龟策略的威力证明” “海龟交易法则策略回测”最容易产生一个误区： 跑出一条上涨的资金曲线，然后直接得出“趋势追踪有效”的结论。 实际上，一次回测至少受到这些因素影响： 选择了什么市场； 选择了什么时间区间； 使用前复权还是后复权； 如何处理分红和拆股； 信号在哪个时间点产生； 订单在哪个价格成交； 手续费和滑点如何处理； 是否允许加仓； 是否存在幸存者偏差； 参数是否针对历史数据过度调整。 因此，海龟策略最适合被当作一个完整量化研究案例： 历史数据 → 规则表达 → 信号生成 → 仓位管理 → 交易模拟 → 风险分析 而不是一个“输入股票代码就能预测收益”的黑盒。 如果准备把这个策略继续做成研究项目 可以按照下面的顺序逐步扩展： 第一阶段：单标的 先完成 20 日突破 + 10 日退出。 第二阶段：加入 ATR 让仓位大小和市场波动率产生关系。 第三阶段：加入交易成本 把手续费、滑点和最小交易单位纳入模型。 第四阶段：多标的 让同一套策略处理一个股票或 ETF 池。 第五阶段：数据管道 把行情下载、缓存、增量更新和策略代码彻底分离。 到了第五阶段，数据源的工程质量会开始变得和策略本身一样重要。 总结 海龟交易法则最大的学习价值，并不在于“20 日突破”这个数字本身，而在于它把一个交易想法拆成了可以被程序严格执行的规则： 历史 K 线 → 计算过去窗口 → 生成突破信号 → 确定成交时点 → 计算仓位 → 模拟交易 如果只是学习 Python，CSV 加 Pandas 已经足够开始。 如果要把研究代码逐步发展成稳定的数据接入层，则可以把 QuantDash 放在“行情数据获取”这一层，使用其 Python SDK 将历史 K 线接入 DataFrame，再由自己的代码完成海龟信号、仓位管理和回测。QuantDash 官方仓库目前明确说明其 Python SDK 通过 PyPI 分发，并提供 A 股、ETF、港股和美股行情数据示例。 QuantDash 官方资源 QuantDash 中文技术文档 QuantDash 官方 GitHub 示例仓库 QuantDash PyPI 外盘期货分钟数据（CME、COMEX、NYMEX）到底给了哪些字段 刚踩了个坑，想回测原油期货的日内策略，结果卡在数据源上卡了两天。要么是tick聚合出来的分钟线乱七八糟，要么就是只有日线，分钟数据贵得离谱。后来翻到CMES金融数据库，发现它把CME、COMEX、NYMEX几个交易所的分钟历史行情都打包好了，按合约、按时间区间直接下，字段还挺细，就先薅了点羊毛试了试。 下载下来的csv打开一看，字段比我想的要多。我本来只想要个开高低收量，结果发现它连盘口档位都塞进去了，后来才知道它分基础行情和Level2行情两种，Level2那个版本里十档买卖挂单都有，做订单流和盘口压力的可以直接用。 下面是我实际用到的字段，挑了关注度高的列了个表，不是官方文档那种全量罗列，只放我回测和看盘时真正会看的那些。 字段 对应内容 我实际用的时候的备注 symbol 合约代码，比如CLM5、GCJ5 一定要看清楚合约月份，别下错 datetime 分钟时间戳，交易所当地时间 时区是美东，我回测统一转成UTC了 open 该分钟开盘价 基本都会用 high 最高价 碰到跳空的时候这个值很关键 low 最低价 同high close 收盘价 策略信号主要靠这个 volume 成交手数 用于过滤流动性差的时段 open_interest 持仓量 我一般只在日级看，分钟上也偶尔扫一眼 bid_price1 买一价 Level2数据才有，看盘口失衡用 ask_price1 卖一价 同上 bid_volume1 买一挂单量 可以算挂单强度 ask_volume1 卖一挂单量 同上 trade_count 这一分钟内的成交笔数 判断是散户乱拱还是机构单子 vwap 分钟加权均价 做结算价相关策略会用到 实际字段比这多，尤其是盘口，打到十档，每一档都有价格和挂单量，做高频回测或者研究流动性的时候能省掉自己从tick聚合的功夫。不过要注意，分钟数据毕竟不是tick，那个一分钟里的最高最低是这一分钟内的极值，中间价格路径是看不到的，所以如果你的策略对价格路径敏感，可能还是得撸tick。 我拿Python直接调的接口，因为CMES金融数据库那边有现成的Python包，pip装完就能用，不用自己拼请求。下面是我当时拉数据的代码片段，注释里写了要注意的点。 # 安装：pip install cmesdata from cmesdata import CmesData # CMES金融数据库的行情接口，注意入参正确，调用频率正常，不要短时间大量请求 client = CmesData() # 拉CME的WTI原油期货主力合约分钟数据，2025年1月 df = client.get_minute_data( exchange='CME', symbol='CL', start='2025-01-06', end='2025-01-10', level='level2' # 'basic'只给开高低收量，'level2'带盘口 ) print(df.shape) print(df.columns.tolist()) 跑出来的数据还算干净，不过我发现有些成交量的分钟线会出现0，后来查了一下，那段时间是集合竞价，交易所没连续撮合，所以回测的时候得把这种分钟剔掉，不然策略会报错。还有个别合约换月的时候，持仓量会突然断层，这个是正常的，但如果你用持仓量做过滤，需要自己处理一下。 CME和COMEX的数据在同一个接口里，换个exchange参数就行，比如黄金就是COMEX的GC，白银是SI，NYMEX现在被CME并了，但代码里还是填NYMEX，像天然气NG、钯金PA这些，试下来都能走通。数据是按交易日给的，周末和节假日没有线，不用自己再补。 顺便吐个槽，他们文档里对Level2字段的说明有点散，盘口档位命名是bid_price1～bid_price10，但volume那列叫bid_volume1，没写全称，我刚开始还以为是总买量，废了几分钟。不过这种小坑对写代码的人来说不算啥，改几行就过去了。 目前我主要用这套数据做原油和黄金的日内动量策略回测，分钟级够用了，滑点模拟也方便。如果你只是看看盘，或者做简单的技术分析，基础行情那个版本就行，开高低收量都齐，下载也快。想做盘口统计或者研究高频因子，就直接上Level2，反正不用额外加钱，就是文件大一点而已。 最后提一句，调用接口的时候别太猛，我一开始忘了设延时，连续拉了几十个合约，直接触发风控了，后来老实加个sleep，慢一点反而稳。这个坑估计很多人都会踩，先替你踩了。 一、量化实验室是什么？ 量化实验室是SuperMind量化平台最新推出的AI功能，它不是再给你一堆冷冰冰的工具，而是用AI Agent把你的投研想法变成现实——无论是复杂的因子研究，还是策略的代码生成与回测，统统交给它。 继续加码：特惠延续！每周体验额度翻2倍！（原50 Credits/周，限时升级至100 Credits/周）。活动截止至 2026-07-12 23:59:59，快来试试AI如何重塑你的量化研究！ 1.1 因子研究 支持从研究想法、已有公式或研报逻辑出发，Agent自动生成因子表达式并回测验证。适合把“我想研究某个市场规律”这类想法，快速变成可以检验的数据结果。 1.2 策略代码生成 用自然语言描述策略逻辑，Agent自动生成可执行源码并回测： 支持Python策略和公式策略两种类型 Python策略适合选股、多因子、择时、风控、资金管理等复杂逻辑 公式策略适合单标的择时、技术指标、期货或股票的轻量策略 生成策略源码后自动执行回测，结果文件里能看到指标、交易记录和策略表现 支持多轮对话，哪里不满意就直接说，Agent继续改代码、重新跑结果 二、支持的策略类型 量化实验室支持两种策略类型：Python策略和公式策略。两者定位不同，各有适用场景。 2.1 Python策略 Python策略自由度更高，适合把一套完整交易框架写出来： 多股票选股：支持从指数成分股、行业板块或全A股票池中筛选股票 多因子模型：打分排名、因子回归、因子中性化 复杂风控：动态止损、移动止盈、仓位控制、个股持仓上限 灵活调仓：日、周、月任意频率，支持条件触发 完整回测：生成策略源码后直接执行回测，沉淀结果报告 2.2 公式策略 公式策略基于同花顺指标公式语法，更适合单标的、技术指标型策略： 单标的回测：主要针对单只股票、指数或期货合约 技术指标：MACD、KDJ、布林带等经典指标 交易信号：金叉死叉、突破、超买超卖、ATR波动突破 期货策略：日内交易、趋势跟踪、止损止盈规则 2.3 两者对比 能力 Python策略 公式策略 选股范围 全市场动态股票 提前指定单只标的 择时逻辑 任意复杂 指标信号、突破信号等 风控体系 动态止损、移动止盈、仓位管理 简单止盈止损 资金管理 等权、市值加权、风险平价 简单资金调整 因子研究 多因子打分、排名、回归 不支持 编程语法 Python 同花顺公式 回测结果文件 strategy_backtest_*.md funcat_backtest_*.md 适用场景 A股选股、多因子策略 股票/期货单标的择时 2.4 如何选择？ 想做A股选股、多因子策略 → 选Python策略 想做股票/期货日内、单标的技术指标择时 → 选公式策略 不确定 → 选Python策略，通用性更强 三、使用方法 3.1 整体流程 进入量化实验室 → 选择Agent → 描述策略 → AI生成代码 → 自动回测 → 查看结果 → 多轮优化 3.2 第一步：进入量化实验室 打开 同花顺SuperMind量化平台 注册登录（同花顺账号通用） 点击上方导航栏「我的研究」-「量化实验室」 3.3 第二步：选择Agent 根据你的需求选择合适的Agent： Agent 适用场景 量化助手 生成Python策略或公式策略，并执行回测（最常用） 因子研究Agent 从研究想法出发，生成因子 因子复现Agent 把公式/伪代码翻译成可执行表达式 生成策略代码时，直接选择「量化助手」即可。在使用时，最好在描述中明确说“生成Python策略”或“生成公式策略”，否则Agent可能会理解错方向。 3.4 第三步：描述你的策略 用大白话把策略逻辑讲清楚，关键是这几个要素： 要素 说明 示例 买什么 股票池 "沪深300成分股"、"全A股剔除ST" 什么时候买 开仓条件 "金叉买入"、"突破20日高点" 什么时候卖 平仓条件 "死叉卖出"、"亏损5%止损" 怎么分钱 资金管理 "等权重"、"按因子加权" 回测区间 起止时间 "2023年到2024年" 回测频率 运行频率 "日频"、"5分钟频率" 基准指数 对比基准 "沪深300"、"中证500" 描述示例： 写一个Python策略： - 股票池：沪深300成分股 - 买入：5日均线上穿20日均线，次日开盘买 - 卖出：5日均线下穿20日均线，次日开盘卖 - 资金：每笔买入5万 - 回测：2023-2024年，初始资金1000万，日频 公式策略可以这么说： 生成一个公式策略： - 标的：300033.SZ - 信号：收盘价上穿20日均线买入，下穿20日均线卖出 - 风控：亏损5%止损，盈利后从最高点回撤3%止盈 - 回测：2023-2025年，日频 3.5 第四步：查看回测结果 AI生成代码并执行回测后，策略源码和回测结果会保存到文件中： Python策略：strategy_backtest_*.md 公式策略：funcat_backtest_*.md 报告通常包含： 核心指标：总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比、交易次数 净值曲线：策略收益 vs 基准收益 3.6 第五步：多轮优化 不满意？直接告诉AI怎么改： # 加个过滤条件 在刚才基础上，加个成交量过滤，金叉时成交量要大于5日均量的1.5倍 # 优化风控 再加个动态止损：从最高点回撤5%止损，同时3%移动止盈 # 调整参数 把MACD参数改成(8,17,9)，回测时间延长到2024年 每一轮AI都会自动修改代码、重新回测、出新报告。反复调整，直到满意为止。 当然，AI生成的代码也需要用户自己甄别。它能大幅降低从想法到回测的门槛，但重要参数、交易假设和异常结果仍然建议自己再检查一遍。 3.7 剩余额度查看与充值 我们为每位用户提供了一定的免费体验额度，如有更大的使用需求，也可以订阅付费套餐。 四、实战案例 案例1：双均线公式策略 策略思路：最经典的趋势跟踪策略。收盘价上穿20日均线买入，下穿20日均线卖出，再加上止损止盈。这个案例适合用公式策略快速上手。 你怎么说： 生成一个公式策略： 1. 回测标的： - 标的：同花顺 - 频率：日频 - 回测区间：2023-01-01 至 2025-01-01 2. 开仓条件： - 计算20日收盘价均线MA20 - 当收盘价从下方上穿MA20时买入 3. 平仓条件： - 当收盘价从上方下穿MA20时卖出 - 买入后亏损达到5%时止损 - 买入后盈利创新高，再从最高点回撤3%时止盈 案例2：动量选股+止损策略 策略思路：选近期涨得好的股票（动量效应），但排除涨太多的（避免追高），加上硬性止损保护。 你怎么说： 生成一个Python选股策略： 1. 选股条件： - 股票池：中证500成分股 - 剔除ST股、停牌股、上市不足120日的股票 - 过去20日收益率排名前20%（动量强） - 过去5日平均换手率大于3%（确保流动性） - 排除过去20日涨幅超过30%的股票（避免追高） 2. 开仓条件： - 每周一开盘时，根据上述条件筛选出目标股票池 - 买入所有符合条件的股票，以开盘价执行 3. 平仓条件： - 每周一调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到8%，无论是否到调仓日，立即止损卖出 - 个股盈利达到20%止盈 4. 资金分配： - 初始资金100万 - 持仓上限20只股票 - 采用等权重分配：总资金/持仓股票数 = 每只股票的分配金额 - 如果筛选出的股票超过20只，按动量排名取前20只 - 买入时按100股整数倍取整 5. 回测参数： - 回测区间：2022-01-01 至 2024-12-31 - 基准指数：中证500 - 初始资金：100万 - 回测频率：分钟 案例3：资金流向+波动率复合策略 策略思路：跟着主力资金走，但要选波动适中的股票（资金流入说明有人看好，波动适中说明走势稳健）。 你怎么说： 设计一个Python策略： 1. 选股条件： - 股票池：全A股（剔除ST股、停牌股、上市不足120日的次新股） - 因子1 - 资金流向：过去5日主力资金净流入（大单+特大单买入 - 大单+特大单卖出）/ 总成交额 > 0 - 因子2 - 波动率：过去20日收益率的年化波动率，要求处于全市场中位数±1个标准差之间 - 两个条件同时满足才入选 2. 开仓条件： - 每两周的第一个交易日开盘时执行选股 - 买入所有符合条件的股票 3. 平仓条件： - 每两周调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到10%，立即止损 - 个股持有超过30个交易日仍未盈利，考虑卖出（避免长期套牢） 4. 资金分配： - 初始资金100万 - 持仓上限15只股票 - 采用等权重分配：可用资金/新买入股票数 - 卖出股票释放的资金，在下一个调仓日再分配 - 保留5%的现金作为缓冲，避免频繁满仓操作 5. 调仓频率： - 每两周调仓一次（即每10个交易日） 6. 回测参数： - 回测区间：2023-01-01 至 2024-12-31 - 基准指数：中证800 - 初始资金：100万 - 回测频率：分钟 案例4：多因子打分排名策略 策略思路：综合多个维度给股票打分，选出综合表现最好的。类似基金公司的量化选股模型。 你怎么说： 创建一个多因子Python策略： 1. 选股条件： - 股票池：沪深300成分股 - 剔除ST股、停牌股 - 三个因子，各自权重： - PE_TTM（市盈率，越低越好）：权重30% - ROE（净资产收益率，越高越好）：权重40% - 过去60日收益率（动量，越高越好）：权重30% - 对每个因子进行标准化打分（0-100分） - 加权计算综合得分 = PE得分×30% + ROE得分×40% + 动量得分×30% - 选择综合得分排名前20的股票 2. 开仓条件： - 每月第一个交易日开盘时执行选股 - 买入综合得分前20名的股票 3. 平仓条件： - 每月调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到15%，立即止损 - 如果某只股票连续两个月综合得分跌出前30名，下个月强制卖出 4. 资金分配： - 初始资金100万 - 固定持仓20只股票 - 采用等权重分配：总资金/20 = 每只股票5万元 - 调仓时，先卖出需要清仓的股票，再买入新股票 - 买入顺序按综合得分从高到低，确保高分股票优先获得资金 - 如果资金不足，优先买入得分最高的股票 5. 调仓频率： - 每月第一个交易日调仓 6. 回测参数： - 回测区间：2022-01-01 至 2024-12-31 - 基准指数：沪深300 - 初始资金：100万 - 回测频率：日频 五、常见问题 Q：AI生成的代码一定正确吗？ A：不一定。AI能显著提高从想法到回测的速度，但生成代码、回测参数和交易假设仍然需要自己甄别，尤其是用于真实交易前。 Q：生成的代码有bug怎么办？ A：直接告诉AI“回测报错了，错误信息是xxx”，它会根据报错继续修改代码并重新回测。 Q：生成后还能继续改吗？ A：可以。比如“加一个成交量过滤”“把止损从8%改成5%”“回测区间延长到2025年”，都可以在同一个会话里继续说。 Q：策略能导出到本地吗？ A：可以。Python策略会沉淀Python源码和 strategy_backtest_*.md 报告，公式策略会沉淀公式策略结果和 funcat_backtest_*.md 报告。 Q：可以免费使用吗？ A：我们为每位用户每周提供了50 Credits的体验额度，可以满足多个策略代码生成任务。2026-07-12 23:59:59前体验额度限时2倍！ 六、总结 传统方式 量化实验室方式 学Python语法 → 学量化框架 → 写代码 → 调试 → 回测 说策略想法 → 生成Python/公式策略 → 自动回测 → 看报告 耗时：几天到几周 耗时：几分钟 不管你是量化新手想入门，还是老手想快速验证想法，SuperMind量化实验室都值得一试。尤其是策略代码生成这一步，它把“我有个策略想法”和“我看到了回测结果”之间的距离，压到了几分钟。 【重磅更新】 支持生成和执行通用代码 除策略代码外，量化实验室目前也支持生成通用python代码并执行，例如可以做数据处理、分析、可视化输出等。 与量化平台其他功能进行交互 supermind-cli 是Agent与SuperMind 量化平台进行交互的skill，可以让用户快速完成策略管理、回测与自选板块管理等。 管理个人策略仓库 将AI 生成的策略同步至云端仓库，或拉取其他策略的代码。推送后可以在“我的策略”-“策略研究”中看到这个策略。 示例：“把刚才写好的双均线策略推送到策略仓库里，命名为神奇均线”、“帮我看看云端现在有哪些策略” 异步回测 推送完成后可以发起异步回测任务。回测完成之后可在“我的策略”-“策略研究”-“回测列表”中查看回测详情。 示例：“用过去两年的数据跑一下这个策略的回测，初始资金500W” 维护自选板块 新增、更新或查询自选板块，添加后同花顺行情客户端可见。 示例：“帮我把这几只白酒股加到自选板块里”、“查一下我现在的自选板块都有哪些股票” 相关链接： AI Lab帮助文档 API文档 因子研究指南 回测引擎说明 1、实时K线 获取沪深A股和ETF实时K线数据。目前支持沪深京A股和ETF基金，对应请求参数synbol为stock、etf；目前K线级别支持5分钟、15分钟、30分钟、60分钟、日线、周线、月线、年线 示例请求：http://api.fxyz.site/wolf/time/kline?symbol=stock&code=000001&period=1d&cq=1&startDate=2026-01-19&endDate=2050-01-01&token= 2、买卖五档 获取沪深A股和ETF买卖五档实时行情数据。 示例请求:http://api.fxyz.site/wolf/time/five?symbol=stock&code=000001&token= 3、实时行情 获取沪深A股实时行情数据。提供涨速、涨跌幅、换手率、振幅、量比、内盘、外盘、ROE等行情指标数据，适用于投资研究、量化交易。包年版支持all参数获取盘中全市场实时数据。 示例请求：http://**api.fxyz.site/wolf/time?**symbol=stock&code=000001&token= 4、日线快照 获取沪深A股和ETF实时日线行情数据。 示例请求:http://api.fxyz.site/wolf/time/day?symbol=stock&code=000001&token= 5、资金流向 获取沪深A股资金流向数据。资金流数据区分主买、主卖、特大单、大单、中单、小单等。 示例请求:http://api.fxyz.site/wolf/money?code=000001&tradeDate=2026-01-19&token= 6、逐笔交易 获取沪深A股逐笔交易数据。 示例请求:http://**api.fxyz.site/wolf/deal?**code=000001&tradeDate=2026-01-19&token= 7、分价数据 获取沪深A股分价数据。 示例请求:http://api.fxyz.site/wolf/price?code=000001&tradeDate=2026-01-19&token= 8、股票列表 获取股票的代码列表。flag取值范围：0-所有股票，1-深交所股票，2-上交所股票，3-北交所股票，4-指数，5-创业板股票，6-科创板股票，7-ETF，8-ST股票，9-退市股票 示例请求：http://**api.fxyz.site/wolf/list?**flag=0&token= 9、涨停板 获取盘中涨停板实时数据。 示例请求： http://**api.fxyz.site/wolf/zt?**tradeDate=2026-01-19&token= 10、跌停板 获取盘中跌停板实时数据。 示例请求： http://**api.fxyz.site/wolf/dt?**tradeDate=2026-01-19&token= 11、炸板 获取盘中炸板实时数据。 示例请求： http://**api.fxyz.site/wolf/zb?**tradeDate=2026-01-19&token= 12、强势股 获取盘中强势股票实时数据。 数据更新：实时数据交易时间段每1分钟更新，历史数据收盘后3:30更新。 示例请求：http://**api.fxyz.site/wolf/qs?**tradeDate=2026-01-19&token= 13、次新股 获取次新股数据。 数据更新：实时数据交易时间段每1分钟更新，历史数据收盘后3:30更新。 示例请求：http://**api.fxyz.site/wolf/cx?**token= API接口文档参考：黑狼数据 - 实时、稳定、专业的金融数据API平台 
