aastock港股如何深入分析？用十档盘口与逐笔成交 摘要： 在 AASTOCKS 看完港股报价，若还想判断买卖盘厚度、观察成交节奏或复盘价格变化，需要把盘口和逐笔记录接入程序。TickDB 的港股盘口支持买卖各最多十档，逐笔查询返回成交价格、数量、方向与时间，并可订阅实时成交。本文用深度失衡和成交样本均价说明这些数据的用途，同时区分最近成交窗口与可按日期回查的历史数据。 搜索 aastock，打开 AASTOCKS（阿思达克）查看港股报价，是观察市场的一个起点。但一个最新价无法回答更细的问题：当前买卖报价之间隔了多远？买一背后的几档还有多少挂单？某次价格跳动是一笔小额成交，还是一段密集成交的结果？ 这些问题分别需要盘口深度和逐笔成交。TickDB 对港股应用的具体价值，在于把买卖各最多十档的价格与数量、可查询的逐笔成交明细，以及实时 depth / trade 推送提供给程序，让看盘观察能够继续进入计算、告警和记录复盘。本文围绕这一数据用途展开，不把 AASTOCKS 当作待抓取的数据源，也不暗示两家存在接口合作。 十档盘口让报价从一个数变成价格梯度 最新成交价描述已经发生的成交，盘口描述当前可见的买卖报价。只看买一和卖一，可以计算最优价差；继续看买二至买十、卖二至卖十，才能观察靠近市场价格的挂单分布是否集中、是否存在明显的数量落差。 当前港股 depth 文档标注每侧最高十档，REST 返回 bids 和 asks，每档包含价格与数量；也可以通过 WebSocket depth 持续接收更新。买盘按价格降序、卖盘按价格升序排列。这里的“十档”是每侧上限，不保证每次都有十档；空档、流动性不足或休市时可能返回更少。 这带来两个可计算的观察量。第一个是最优价差，即卖一减买一。第二个是当前可见深度失衡，即“买方档位数量之和减卖方档位数量之和”，再除以两边数量之和。比较时应固定档位范围并核对数量单位；若只有部分档位，要报告实际档数，不能把结果命名为完整十档指标。 图 1：十档盘口支持对多档挂单进行计算。数值为构造示例，数量单位一致，不代表任何股票的实时报价。 例如买方十档数量合计 12,000、卖方合计 8,000，则失衡值为 (12000−8000)/(12000+8000)=0.20。它表示这一可见范围内买方数量较多，可以作为观察盘口变化的输入；它并不意味着价格将上涨 20%，也不能证明大单一定会成交。挂单可以撤销，十档报价也没有提供逐笔委托身份或完整订单队列。 还可以在“当前挂单保持不变”的假设下，按卖一、卖二等逐档累加，估算一个给定买入数量会涉及哪些可见价位。这是静态深度测算，不能当成实际成交价格或滑点保证；超出已返回档位覆盖的数量，应标记无法估算。 逐笔明细补上实际成交的过程 盘口回答“现在挂着什么”，逐笔成交回答“实际成交了什么”。港股逐笔记录包括成交 ID、价格、数量、方向和毫秒时间戳。程序可以据此统计样本内成交笔数、数量分布、成交间隔，以及成交量加权平均价，进一步判断一段价格变化对应怎样的成交活动。 一个简单构造样本包含三笔成交：价格 100.00、数量 100；价格 100.20、数量 200；价格 100.10、数量 100。样本均价为 (100×100+100.20×200+100.10×100)/400=100.125。这个结果只描述这三笔成交，不能称为全天均价。研究时需要同时保留样本最早与最晚时间，避免把“最近若干笔”误读成“最近一分钟”。 方向字段有 buy、sell、neutral 三类。可以分别统计各类数量，但应保留中性成交，也不要把方向标签直接改写为“主力净流入”。成交方向分类本身不提供交易者身份；具体分类方法和数量单位仍需核对。 历史逐笔明细需要分清服务范围。 当前公开 REST 文档支持查询成交记录，默认 100 笔、最多 1000 笔，列出的参数为 symbol、limit、type。已核验材料没有给出按起止日期回查多天成交的参数、分页方式或逐笔保留年限。因此，本文把它用于最近已发生的成交查询，不把它宣传为任意历史日期的全量逐笔下载。 若目标是今后持续复盘，可以订阅 WebSocket trade 并由应用归档。港股推送中的成交位于 data.trades 数组，一条消息可能包含多笔，不能只取第一笔。历史 K 线的可查询范围也不能直接当作历史逐笔的保留范围。 图 2：逐笔查询与实时订阅可进入同一个复盘流程。归档是应用实现的能力，断线缺口仍需检查。 组合盘口与成交才能解释更多现象 假设卖一数量减少了，只看两次盘口无法判断它是被成交消耗，还是被撤走。加入相邻时间段的成交记录后，可以检查该价位附近是否出现相应成交；若同时观察到报价补充，还能研究挂单消耗和补充的节奏。这是多份证据的对照，不能凭一次数量变化断言某个参与者在吸筹或出货。 这里需要防止时间上的误用。盘口与成交来自不同消息或请求，必须保留各自原始时间和本地接收时间。只有确认时间含义可比较后，才能做近似对齐；不要拿成交之后的盘口倒推成交之前的可见流动性。缺少事件序列、消息存在间隔时，也不能把近似对齐包装成精确还原。 对于港股看板、流动性观察工具和成交异常提示，这正是结构化行情接口的价值：应用可以把同一标的的最新价、盘口状态和成交事件分开存储，再按自己的问题计算。它比只在程序里显示一个价格多了实际分析空间；这不等于断言 AASTOCKS 的其他产品没有相应功能。 查询十档盘口并计算成交样本指标 下面的 Python 3 示例分别查询 700.HK 的盘口与最近成交，输出实际档数、价差、可见深度失衡、成交笔数、样本时间范围和样本均价。代码只依赖标准库，保存为 hk_depth_trades.py，在环境中设置 TICKDB_API_KEY 后运行。 当前官方权限表将 depth 和 trades 标为基础版及以上可用、免费版不可用；具体仍取决于账户权益与标的覆盖。程序不是撮合器，也没有实现流式归档。 import json import os from decimal import Decimal from urllib.parse import urlencode from urllib.request import Request, urlopen def fetch(path, **params): url = "https://api.tickdb.ai/v1/market/" + path request = Request(url + "?" + urlencode(params), headers={ "X-API-Key": os.environ["TICKDB_API_KEY"] }) with urlopen(request, timeout=10) as response: body = json.load(response) if body.get("code") != 0: raise ValueError("API business error") return body["data"] def positive(value): number = Decimal(str(value)) if not number.is_finite() or number <= 0: raise ValueError("Invalid price or quantity") return number def summarize(depth, tape): if depth["symbol"] != "700.HK" or tape["symbol"] != "700.HK": raise ValueError("Unexpected symbol") bids = [(positive(p), positive(q)) for p, q in depth["bids"]] asks = [(positive(p), positive(q)) for p, q in depth["asks"]] if not 0 < len(bids) <= 10 or not 0 < len(asks) <= 10: raise ValueError("Empty or unexpected depth") bid_qty = sum(q for p, q in bids) ask_qty = sum(q for p, q in asks) unique = {} for trade in tape["trades"]: key = (trade["id"], trade["timestamp"]) if key in unique and unique[key] != trade: raise ValueError("Conflicting trade records") unique[key] = trade trades = list(unique.values()) amounts = [(positive(t["price"]), positive(t["quantity"])) for t in trades] total = sum(q for p, q in amounts) vwap = sum(p * q for p, q in amounts) / total if total else None times = [t["timestamp"] for t in trades] return { "bid_levels": len(bids), "ask_levels": len(asks), "spread": str(min(p for p, q in asks) - max(p for p, q in bids)), "visible_depth_imbalance": str((bid_qty - ask_qty) / (bid_qty + ask_qty)), "depth_timestamp_ms": depth["timestamp"], "trade_count": len(trades), "trade_window_ms": [min(times), max(times)] if times else None, "sample_vwap": str(vwap) if vwap is not None else None, } if __name__ == "__main__": depth = fetch("depth", symbol="700.HK", type="stock") tape = fetch("trades", symbol="700.HK", type="stock", limit=1000) print(json.dumps(summarize(depth, tape), indent=2)) 这里特意保留两套时间：盘口的 depth_timestamp_ms 和成交样本的 trade_window_ms。两个请求先后执行，不是同一时刻的原子快照，因此代码仅分别统计，不把两者硬拼成因果结论。sample_vwap 是返回记录的成交量加权均价；visible_depth_imbalance 只覆盖实际返回档位。 示例在单次响应内用成交 ID 与时间戳组合处理完全重复记录，冲突记录直接报错。这不是对成交 ID 跨日唯一性的假设。长期归档还应确认 ID 作用域，保存原始记录和来源，并单独处理更正、重复消息与断线区间。数量无效、盘口为空等情况会报错；时间有效性、市场状态、异常价差和账户限流需要在生产应用中进一步处理。 代码和文中计算已用构造样本离线验证，未进行带密钥的在线查询或持续订阅实测。公开文档核对日期为 2026 年 10 月 22 日，示例数值不是真实行情。 接入后的验收要落在分析任务上 选择港股行情服务时，应检查要研究的标的能否返回预期档位、逐笔记录是否含所需字段、订阅后如何保存和重建自己的样本窗口。请求了 1000 笔不代表返回了 1000 笔，更不代表覆盖完整交易日；持续订阅也不自动证明没有漏数。 TickDB 在本文场景中的优势，是把十档报价梯度与逐笔成交过程都变成可计算的数据输入，并提供查询和订阅两种接入方式。对需要从 AASTOCKS 日常看盘走向自主分析的人，这能支撑盘口观察、成交节奏统计和自有记录复盘。实际选用时，再按标的、权限、时效和历史覆盖需求逐项验证。 资料依据：AASTOCKS 官方网站；TickDB 港股行情说明、盘口深度、逐笔成交及 WebSocket depth / trade 文档。核对日期：2026 年 10 月 22 日。 为美股团队选数据源，最怕“演示能用，交付返工”。本文结合真实自动化实测与官方资料，聚焦实时看板、历史回测与 AI 查询三大场景。文章不仅拆解了盘前/盘后价格时点错乱、复权口径不一等五个选型陷阱，还直接提供了可运行的 Python 验证代码、多市场字段对比明细和复权因子计算公式。你将看到 TickDB 在同一响应中如何返回三个时点的价格，以及如何通过 MCP 原生协议让 AI 直接取回结构化行情。最后附上一份可复用的需求卡，帮你用真实样本避开隐性成本。 上个月，一个做美股看板的朋友找我复盘。他说产品上线后，用户投诉不断。我打开他的系统一看：页面上醒目地挂着苹果 AAPL 的价格，涨跌幅却是绿的。用户以为这是“当前盘前”的暴跌，实际上，系统取的是昨天的收盘价，只是时间戳没标清楚。 这就是选美股数据源时最致命的错觉。你问供应商“支不支持美股行情”，他们都说支持。但交付时：看板可能用昨收冒充了盘前，回测可能混用了不同口径的复权，AI 助手可能用训练数据里的旧价格敷衍用户。 问题不在“有没有数据”，而在于你拿到的到底是哪个对象、哪个时点、哪个口径。 最近，为了给内部工具选底座，我用代码把市面几家常用的入口（Yahoo/yfinance、TickDB、Alpha Vantage、Massive）真实跑了一遍。这不是同条件性能横评，而是一份关于“怎么排雷、怎么验收”的踩坑记录。 一分钟看懂：四个入口的适用边界 这张表的正确读法：不要只看谁的功能多，先看你的项目必须跨越哪条红线。如果只是个人日终研究，Yahoo 的免费足够；如果团队既要跨市场看盘，又希望 AI Agent 直接调取带时间戳的结构化数据，那么原生支持 MCP 和多市场统一字段的入口，才是你该重点考察的。 数据源 覆盖市场 实时性 (通道隔离) 接入方式 AI 友好度 (Agent调用) 免费额度与限制 主要门槛/风险 Yahoo / yfinance 以美股为主，少量全球 延时（通常15分钟+），无正式 WS Python 第三方库 需自行写代码封装给大模型 免费（开源库） 非官方接口随时变动；仅限个人研究，商用风险高 TickDB 美股、A股、港股、外汇等 REST 按需快照 + WebSocket 推送 REST API, WebSocket,MCP, Skill 原生支持 (MCP 直连，带时间戳结构化数据) 有免费版（免费版不支持K线区间查询及复权因子） 需配置认证；免费版功能受限，进阶需付费 Alpha Vantage 美股、外汇、加密 免费为延时；实时需付费 REST API, 提供官方 MCP 支持 MCP，但需配置 免费 25 次/天（极度受限） 额度极小，高频或实时场景成本极高 Massive 专注美股 (聚合K线、成交) 分层提供：日终、延时、实时 REST API, WebSocket 需自行封装 API 供 AI 使用 视具体产品层级而定 主要覆盖美股，多市场统一较麻烦 证据说明：上述信息综合自各平台官方文档与公告（截至 2026 年 10 月）。TickDB 的实测数据来自我们团队 2026-10-22 的自动化核验报告，保留原始 JSON 存档。 坑一：同一个接口，可能返回三个“最新价” 在实时看板里，“最新价”是一个伪概念。如果你不指明是哪个时段的最新，你的看板一定会误导用户。 我们在 2026 年 10 月 22 日盘后，通过 TickDB 的 MCP 工具实际拉取了一次 AAPL 的快照。如果你在支持 MCP 的客户端里问 AI 要行情，它底层调用的工具参数非常简单： { "name": "get_ticker", "arguments": {"symbols": "AAPL.US"} } 你可以直接复制这段 Python 逻辑去检查你的数据源，看看它是否返回了多时段对象： # 检查你的快照接口是否返回了多时段对象 data = response["data"][0] print(f"主价格(常规): {data['last_price']}, 时间: {data['timestamp']}") print(f"盘前对象: {data.get('pre_market_quote', {}).get('last_done')}, 时间: {data.get('pre_market_quote', {}).get('timestamp')}") print(f"夜盘对象: {data.get('overnight_quote', {}).get('last_done')}, 时间: {data.get('overnight_quote', {}).get('timestamp')}") 在 TickDB 返回的同一份结构化 JSON 里，我们看到了三个完全不同的价格： 主价格对象：last_price = 343.99，时间戳对应美东 10 月 21 日 16:00:01（常规收盘）。 盘前对象：last_done = 339.3，时间戳对应美东 10 月 21 日 09:30:00（盘前）。 夜盘对象：last_done = 343.94，时间戳对应美东 10 月 21 日 22:29:28（夜盘）。 注意，扩展对象的价格字段实际叫 last_done，没有嵌套的 last_price。三个价格都在同一个响应里，如果产品需求只是简单的一句“显示最新价”，研发大概率直接取了第一个 last_price。 我后来给自己定了个规矩：产品需求里的“最新”，必须落实为“哪个对象的最新数据”。如果做盘前看板，就明确取 pre_market_quote；如果夜盘缺数据，界面必须明确显示“暂无”，而不是默认回退到昨收。 坑二：多市场统一，不只是对几个字段名 很多团队一开始只做美股，选了只支持美股的接口。半年后要加港股，发现字段结构完全变了，时间戳的时区也没对齐，写好的数据处理层得推翻重来。 我们尝试用同一个 TickDB API Key，在一次请求里同时拉取了苹果、腾讯和贵州茅台： GET /v1/market/ticker?symbols=AAPL.US,700.HK,600519.SH 实测验证结果： 核心层级完全一致：三个标的的主价格都叫 last_price，时间戳都是 timestamp（整型毫秒）。 时区转换：我们按 UTC 解释毫秒值，分别转换成纽约（America/New_York）、香港（Asia/Hong_Kong）和上海（Asia/Shanghai）时间。实测时间戳转换完全吻合。 诚实边界：这次实测并不代表所有字段都完全相同。AAPL 响应里有盘前/盘后/夜盘对象，600519.SH 返回了 category 字段，而 700.HK 此次没有这些扩展字段。 支撑多市场基础行情展示的核心字段是高度统一的。自建去对齐多市场时区、字段映射和扩展规则的成本，通常比买一套统一接口要贵得多。 坑三：AI 查行情，没工具就只能靠猜 大模型最擅长“流畅地胡说八道”。如果没有数据工具，你问它“苹果现在多少钱”，它只能靠训练数据里的历史价格猜。 TickDB 在 AI 原生接入上的优势是直接提供了 MCP（Model Context Protocol）服务。我们在配置好 MCP 后发起了真实调用。以下是 AI 拿到工具结果后给出的真实回答： “AAPL.US主价格为343.99，其美东时点为2026-10-21T16:00:01-04:00；盘前对象价格为339.3……三个价格对象有各自的时间戳，请保留对象名称和时间一起使用。” AI 没有凭记忆，它拿回了带时间戳的事实。相比之下，如果你用 Yahoo 或 Massive，你需要自己写封装层、定义 Prompt、确保大模型调用你封装好的函数。TickDB 原生把这一步省了。 坑四：复权不清不楚，回测结果只能作废 如果你要跑回测，先得看清楚账号的权限。TickDB 的免费版文档里写得很明白：不支持通过 start_time、end_time 指定区间，且不开放复权因子接口。 在专业版下，它的透明复权机制值得直接抄作业。很多数据源只给你一个 adjust=forward 参数，底层怎么算的不告诉你。而 TickDB 支持你自己拉取因子列表 /market/kline/ex-factors。 你可以用这段代码验证复权计算： # 1. 获取 AAPL 的日线数据（不复权），得到 2026-08-07 原始收盘价 313.33 raw_price = 313.33 # 2. 获取前复权因子 (factor_a = 0.99913, factor_b = 0) factor_a = 0.99913 factor_b = 0.0 # 3. 按文档公式手动计算 adjusted_price = raw_price * factor_a + factor_b print(f"手动计算的前复权价: {adjusted_price:.7f}") # 输出: 313.0574029 我们通过公式算出的 313.0574029，与接口直接返回的 adjust=forward 对应收盘价完全一致。把复权规则交给你自己控制，在要求严谨的回测系统里，这种透明机制能帮你省去很多“曲线为什么对不上”的口水战。 坑五：REST 是快照，WebSocket 才是流 上面的验证用的都是按需快照（REST/MCP）。快照能回答“此刻是什么状态”，不能证明“持续推送是否稳定”。 TickDB 的 WebSocket 端点是 wss://api.tickdb.ai/v1/realtime，订阅 ticker 频道可以接收实时更新。但在本次测试时，因为处于美股非交易时段，我们未能拉取到 5 条连续的 AAPL 推送。历史留存数据表明连接和订阅均能成功，但“连续推送”必须在常规交易时段及 US 交易日单独运行检查。 断线重连后，第一件事不是把断线前后的价格连起来算，而是重新取一次当前快照做校准，再回补 K 线。单次 MCP 查询成功，和看板连续跑一周不出错，验收方法是两套。 一张需求卡，把“最新”拆成可验收的条件 如果你正准备把需求发给候选平台，我建议直接用这张表对齐。不要让对方用“支持”两个字糊弄过去。 需求项 示例填写 用途与使用者 团队内部 AAPL 盘前观察看板；暂不包含客户展示 标的与对象 AAPL.US；盘前用 pre_market_quote，夜盘用 overnight_quote，常规用 last_price 时间与更新 显示纽约数据时间；明确是 REST 轮询还是 WebSocket 推送 缺失处理 盘前对象缺失时明确提示，不允许拿昨收顶替 AI 需求 是否希望用 MCP 直接让 AI 客户端调用结构化行情？ 历史需求 日期区间、粒度、复权方式；免费版区间限制需提前确认 权益与维护 确认账号权限；指定断线恢复、补取和留存负责人 把需求发给候选平台，按“已满足、待确认、不满足”打分。不要因为一次快照成功，就判定“持续推送没问题”；也不要因为 TickDB 免费版不支持指定区间，就否定它 MCP 原生接入和多市场统一的优势。验收要分项。 最后，下次和技术同事讨论时，可以从一句具体的话开始：“我们先验收 AAPL 的盘前对象，再看看 WebSocket 断线后的恢复逻辑。” 如果你现在手头正好有 API Key，不用写完整代码。用它查一次苹果，看看返回里有没有一个和 last_price 时间不同的盘前字段。如果连这个都没有，你的盘前看板可能已经用昨天的收盘价在误导用户了。 你真的会用AI选股吗？ 在使用豆包AI进行投资辅助和股票筛选时，“90%的人第一句话就问错了”。绝大多数普通投资者往往习惯直接问AI：“今天推荐几只稳赚的股票？”或是“某某股票能不能买？”这种单刀直入式的提问，不仅模糊了分析边界，更违背了专业投资的底层逻辑，最终只会得到AI输出的一套毫无实际参考价值的泛泛之论。 要让AI真正成为投研级的辅助工具，关键在于构建结构化的提示词（Prompt）工程。在实战中，高效的AI选股并非靠“一步到位”的单次提问（One-shot），而是需要采用**“多轮链式提问策略”****（Sequential Prompting）**——先通过量化因子完成初筛，再对选出的备选标的逐一展开财务、资金、行业与风险的多维深度剖析。 本文将为您深度拆解一套包含5大进阶提示词的专业选股框架，助您避开直觉提问的误区，建立严谨、高效的AI辅助投资决策工作流。 豆包选股核心指令：5大专业提示词拆解 本套选股体系遵循现代投资组合理论与基本面分析流程，构建了一个从“大池筛选”到“微观诊断”再到“风险防御”的完整投研闭环。 ``` [第一步：因子初筛] ➔ [第二步：财务体检] ➔ [第三步：资金与技术面] ➔ [第四步：行业与政策] ➔ [第五步：风控预警] ``` 提示词一：基于双因子筛选潜力股（价值与质量因子） 在量化投资中，** Smart Beta****（聪明的贝塔）策略强调通过因子重组来获取超额收益。本指令将经典的价值因子（Value Factor）与质量因子（Quality Factor）**深度融合，旨在A股市场中快速锁定“被低估的高质量资产”，从源头上有效避开低估值陷阱（Value Trap）。 💡 核心提示词模板： “通过价值因子和质量因子帮我找到目前国内股市中最具潜力的股票” 分析维度拆解： ●价值因子（Value Dimension）：引导AI聚焦市盈率（PE）、市净率（PB）、股息率（Dividend Yield）等指标，筛选出估值处于历史合理分位或被市场错杀的标的。 ●****质量因子（Quality Dimension）：要求AI评估净资产收益率（ROE）、毛利率稳定性、资产负债率等盈利能力与资产质量指标，确保企业具备扎实的“生意底盘”。 2.2 提示词二：深度剖析财务健康度（盈利与现金流） 通过第一步筛选出候选股票池后，切忌盲目买入。此时应启动第二轮链式对话，对具体标的或股票代码展开财务诊断。财务报表是企业的“体检表”，其中盈利趋势决定股价弹性的上限，而现金流走向则决定企业存续的下限。 💡 核心提示词模板： “深度分析选中股票或股票代码的财务健康程度，列出盈利趋势和现金流走向” 深度解读逻辑： **●**盈利趋势：剖析主营业务收入与归母净利润的同比/环比增速，识别利润增长是由主营业务驱动，还是靠非经常性损益（如卖资产、政府补贴）拼凑，确认企业“造血功能”的持续性。 ●**现金流走向：重点考量经营性现金流净额与净利润的匹配度**（现金回笼能力），以及自由现金流（FCF）状况。在复杂的市场环境中，充沛的现金流是抵御周期波动和防范财务造假的核心屏障。 提示词三：结合市场风偏与资金技术面（资金与量化指标） 基本面决定公司的长期价值，而市场风险偏好（风偏）与资金面则决定短期股价的爆发力与交易节奏。本指令帮助投资者从宏观情绪面与微观量化指标两个角度，对标的进行筹码与技术健康度诊断。 💡 核心提示词模板： “结合整体股市深度风偏，近一个月以来主力资金的走向以及选中股票的量比、换手率、委比是否健康” 技术与资金面指标解析基准表 **1.分析维度：**市场风偏 **具体指****标：**整体股市深度风险偏好 **AI关注点与解析基准：**评估当前市场处于“避险防守”还是“风险偏好上升”阶段，判断大盘情绪对该板块的估值压制或溢价情况。 **2.分析维度：**资金动向 **具体指****标：**近一个月主力资金走向 **AI关注点与解析基准：**追踪机构资金、北向资金或主力资金是持续净流入（加仓建仓）还是流出（筹码派发）。 **3.分析维度：**微观技术量化 **具体指****标：**量比（Volume Ratio） **AI关注点与解析基准：**判断成交量放大是否温和。通常量比在 0.8-1.5 属正常范围；若大于 2.5 且伴随放量突破，表明资金介入明显。 **4.分析维度：**微观技术量化 **具体指****标：**换手率（Turnover Rate） **AI关注点与解析基准：**A股环境中，日换手率维持在 3%-7% 通常代表筹码交投活跃且健康；过低（<1%）缺乏流动性，过高（>15%）则可能面临筹码过于分散与频繁震荡。 **5.分析维度：**微观技术量化 **具体指****标：**委比（Commission Ratio） **AI关注点与解析基准：**评估盘口买卖双方的即时意愿。正值（尤其是逐步放大的正委比）反映买盘支撑较强，负值则反映卖压相对偏大。 ⚠️ 提示词使用建议与AI局限性提醒： 豆包AI擅长对历史数据、筹码分布逻辑与资金趋势进行系统归纳与逻辑研判。但需要注意的是，盘中的实时微观量化指标（如分钟级量比、动态委比等）具有极强的时效性。建议投资者以AI给出的逻辑分析框架为指导，同时在专业行情终端（如同花顺、东方财富、Wind/Choice等）中复核当下的实时行情数据。 提示词四：评估行业成长空间与政策支持（宏观与行业） “顺势而为，事半功倍。”优秀的个体企业如果处于萎缩的行业中，也很难走出独立行情。通过本指令，引导AI将视角拉升至行业大环境与国家宏观政策层级。 💡 核心提示词模板： “评估选中股票所在行业的成长空间以及公司发展方向是否有相关政策支持” 评估要点解析： 1.行业成长空间（TAM与生命周期）：指令AI分析标的所在产业处于导入期、成长期、成熟期还是衰退期，评估其潜在市场空间（Total Addressable Market）与未来复合年均增长率（CAGR）。 2.****政策契合度（政策红利与合规边界）：考察公司的核心产品与发展路线是否符合国家战略性新兴产业规划或政策扶持导向，确保投资标的处于“政策顺风区”，避免踩中行业监管红线。 提示词五：全面评估潜在风险与股价波动因素（风险控制） 风险控制是投资生命线，也是专业投资者与散户的根本区别。 在最终做出投资决策前，必须指令AI扮演“空头思维者”（Devil's Advocate），全方位排查拟投标的的潜在下行风险。 💡 核心提示词模板： “综合评估选中股票有可能存在的风险，分析出哪些因素可能会导致股价波动” 风控评估核心要点： ●**灰犀牛与黑天鹅风险：要求AI提示包括但不限于限售股解禁潮、大股东质押率过高、商誉减值风险、主要客户依赖度过高**等内在风险。 **●**股价波动催化剂分析：明确指出哪些外部变量（如大宗商品价格波动、汇率变化、行业监管政策调整、财报季业绩不及预期等）可能诱发股价剧烈波动，帮助投资者提前制定止损与仓位管理预案。 总结与核心要点回顾 通过上述5条提示词的递进式应用，我们成功建立起了一套高效的AI选股闭环： $$\text{因子初筛} \longrightarrow \text{财务诊断} \longrightarrow \text{资金技术分析} \longrightarrow \text{行业政策评估} \longrightarrow \text{风控预警}$$ 这套流程将大语言模型（LLM）强大的逻辑归纳能力与专业的金融投研框架有机结合，彻底摆脱了“盲目向AI索要明牌”的低效模式。 博客核心 Takeaways： **1.**坚持链式提问，拒绝单次索要：切勿让AI直接推荐股票。应采用多轮对话逻辑，先通过“双因子”筛出候选池，再逐一提示AI进行深度的专项分析。 **2.**深度结合 Smart Beta 与多维验证：将估值（价值）与经营底盘（质量）作为选股基石，配合资金面、技术面与宏观政策，形成多维度互相验证的决策链条。 **3.**人机协作，风控优先：充分利用AI对基本面、政策面和潜在风险点的逻辑梳理能力；同时保持理性，对实时交易量化指标进行行情终端复核，时刻把风险防范放在第一位。 行动指南（CTA）： 建议立即收藏并保存这5套专业提示词模板，将其作为您专属的“AI投研助手操作手册”。在下一次投资决策前，打开豆包AI，按照本套闭环流程逐步输入指令，打造属于您自己的纪律化、专业化选股清单！ 早盘冲高回落，到底是机会还是陷阱？ 在股票日常交易中，绝大多数股民都经历过令人无比纠结的盘面情景：早盘开盘后（特别是9:30-10:00之间），股价突然直线脉冲式拉升，伴随着分时线的陡峭上扬，不少投资者极易产生害怕错过的冲动（FOMO心理），果断追高买入甚至期待涨停。然而好景不长，股价快速见顶后便一路放任回落，全天走势虎头蛇尾。 这种早盘“冲高回落”给散户带来了巨大的心态折磨——追高进场瞬间被套、持股账面利润迅速变幻为回吐，甚至在股价持续下杀时陷入恐慌割肉的困境。 为什么主力资金总喜欢在早盘快速拉高股价，随后又任其滑落？这背后到底是低位洗盘收集筹码的良机，还是高位派发出货的致命陷阱？本文将深度拆解低位“冲高洗盘吸筹”与高位“拉高派发出货”的底层操盘逻辑，教你一眼识别盘面真相。 低位吸筹：主力如何利用早盘冲高“压低成本”吸筹 当股价处于低位震荡、成交冷清阶段时，主力资金如果体量庞大，想要一次性收集足够多的筹码，直接挂大买单连续向上吃单极其容易在短时间内把股价推得过高，从而显著拉高自身的建仓成本。因此，主力通常利用早盘短线快速拉升、随后放任股价回落的战术，在回落过程中压低成本被动吸筹。 操作两步法 **1.**早盘快速拉高：主力仅用几笔大买单急促拉升股价。此时前期被套的散户看到解套曙光，短线交易者看到上涨机会，大量跟风资金随之进场。 2.**撤单与被动承接：拉升诱多后，主力悄悄撤掉托单。在没有大资金维护承接的情况下，股价自然顺势回落，成交量萎缩。在此阶段，主力决不在下跌中主动挂大买单向上吃单**，而仅仅在下跌途中的下方挂出托单，被动承接散户抛出的筹码。 心理战术与结果 面对这种剧烈的冲高回落，早盘追高的散户要么利润回吐，要么直接被套，承担巨大的心理压力；原本持有底仓的投资者由于担心股价继续走低也会选择减仓；若次日股价跳空低开，当天的追高散户极易在恐慌中割肉交出筹码。主力借此在下方悄悄接盘，吸筹成本远低于直接大举买入的成本。待浮筹清洗完毕、拿到廉价筹码后，后续拉升过程中的抛压也会大幅变小。 盘面核心特征 ●下跌过程中成交量放量并不明显（表现为成交量萎缩）。 ●股价不会无节制地向下杀跌，整体维持在横盘震荡区间内。 高位出货：警惕！早盘拉高派发的出货特征 如果股价已经经历大幅上涨处于高位，主力的核心意图已转变为派发出货。此时主力会精准利用全天交易人气最高、流动性最好的早盘前30分钟黄金窗口集中进行悄悄派发。 出货两步法与逻辑 早盘前30分钟隔夜消息集中消化，散户跟风追涨情绪最浓厚。主力正是借用这一高人气时段完成出货： **1.**少量资金撬动拉升：主力仅用少量资金快速拉升股价，一波直线冲高即可吸引海量短线跟风资金涌入。 **2.**放巨量反手砸盘：吸引到足够跟风盘后，主力的真实意图瞬间暴露，在高位分批挂卖单，随后快速放巨量反手砸盘，在高位大批量向散户派发筹码。 散户心理与次日影响 当天追高的散户在高位接盘被套。由于主力利用前30分钟高流动性完成了大批量筹码砸盘派发，次日股价大概率跳空低开，这将直接诱发前一天追高被套的散户产生二次恐慌并砸盘出逃。主力仅凭少量撬动拉升的筹码成本，就顺利兑现了大部队出货的目的。 盘面分时与K线特征 ●早盘前30****分钟急促拉升：拉升伴随成交量放大且过程急促，但大多封不住涨停。 **●**高位分批挂卖单：冲高至高位后，主力分批挂出大笔卖单集中派发。 ●**跌破分时均价线且显著放量：下跌阶段成交量显著放大，股价很难守住分时均价线**（即使短暂触及均价线也会迅速受压下行）。 ●**高换手与长上影线：全天换手率偏高，收盘K线收出一根带长上影线**的形态。 总结与投资者应对策略 判断早盘“冲高回落”到底是主力洗盘还是砸盘出货，绝不能仅凭单日的分时形态下结论，而是需要建立一套严密的三步识别决策逻辑： 第一步（看位置）：先评估股价处于低位横盘区间还是高位阶段。低位多洗盘，高位多派发。 第二步（看分时与量能）：关注早盘前30分钟冲高回落的过程。若是回落缩量、下方有挂单承接为吸筹；若是放巨量砸盘、跌破分时均价线且受压下行则为出货。 第三步（看K线与换手）：结合收盘K线是否留有长上影线、换手率是否偏高以及次日是否跳空低开进行综合印证。 实战操盘金句： 低位冲高回落，缩量挂托是洗盘；高位拉升砸盘，放量破线是出货。 行动指南：一旦盘面确认高位拉高出货信号（拉升封不住涨停、放巨量砸盘破分时均线、收长上影线），投资者切忌盲目入场承接抛盘，应时刻保持纪律，果断选择逢高离场避险。 亲测最好用的AI编写量化策略工具，可以让 AI 直接生成同花顺Supermind上可运行的策略代码，代码质量远高于直接使用 DeepSeek、GPT等平台。 😃Supermind AI工具入口：https://easyquant.ai/ 大家可以直接向AI描述策略，然后一键生成可运行的完整策略代码，也可以把它当做一个API 查询工具。 请大家不要客气，任何意见建议可以在这里评论提出。 被采纳后我们将奖励1G研究环境内存 3个月。 摘要：关注美股、做投资研究或设计行情产品时，单看道琼斯指数，很容易漏掉科技股与其他公司的不同表现。本文结合10月财报季，用TickDB的行情与历史数据，对照道指、标普500、纳斯达克综合指数及两只样本股，讲清指数权重、市场分歧和观察基准，附可下载的数据、脚本与复盘卡。 2026年10月20日，道琼斯工业平均指数收涨1.02%，标普500涨0.28%，纳斯达克综合指数跌0.02%。同一天，英伟达跌0.29%，联合健康涨3.04%。 如果晚间简报只写一句“美股上涨”，关注AI科技股的人很可能觉得，这条新闻和自己的屏幕对不上。产品首页若只用道指的涨跌代表整个美股，也会把这些差异藏起来。看盘先看指数包含谁，再把它与自己的关注对象放到同一时间窗口比较。这篇文章通过TickDB的行情与历史数据工具，取回六个对象的日线，做成一张可复核的观察表。投资者可以照着看，产品和投研同事也能将它接入看板或AI复盘。 图1：AI生成概念图。不同取景框帮助理解指数的不同观察范围，不表示具体成分股及权重。 一、一分钟看清：道指、标普500和纳指，各自在看什么？ 三大指数经常出现在同一条新闻里，却采用不同的样本和计算规则。 指数 主要观察对象 权重怎样分配 看盘时容易忽略什么 道琼斯工业平均指数 30家美国蓝筹公司 价格加权 每股价格会影响权重，市值最大的公司未必影响最大 标普500 美国大盘股，覆盖多个行业 自由流通市值加权 大市值公司的表现，对指数影响更大 纳斯达克综合指数 符合条件的纳斯达克上市证券，包含多种行业和规模 市值加权 科技属性鲜明，也包含其他行业，不能直接当作纯AI板块 道指的价格加权尤其容易被误解。 下面这张示意图，用两家公司说明价格加权的作用方式： ┌─────────────────────────────────────────────────────────┐ │ 价格加权：每股价格决定权重，不是市值 │ │ │ │ A公司：100美元/股，涨1% → 价格增量 +1美元 │ │ B公司：400美元/股，涨1% → 价格增量 +4美元 │ │ │ │ 同样涨1%，B公司对道指点位的贡献 ≈ A公司的4倍 │ │ （除数不变等条件下） │ │ │ │ 所以：只数“多少家上涨”不够；市值大 ≠ 对道指影响最大 │ └─────────────────────────────────────────────────────────┘ 图2：价格加权机制示意。简化例子，不表示具体成分股。 道指的样本范围与价格加权规则，可参考S&P DJI官方说明；标普500的自由流通市值加权，参考S&P美国指数方法说明。 把这个机制放回10月20日的数据，就能看到它在当天的作用方式。联合健康涨3.04%，它是道指成分股中股价较高的标的之一，在价格加权下，它的上涨对道指点位的拉动被放大；英伟达不在道指样本里，它的下跌不会直接进入道指计算。道指涨1.02%而纳指跌0.02%，样本和权重规则先于“市场情绪”解释了大部分分歧。 还有一处常见混淆：新闻里的“纳指”通常指纳斯达克综合指数；很多纳指相关投资产品跟踪的则是纳斯达克100。后者选取大型非金融公司，并采用自己的权重限制。看基金或行情页面时，先找到完整名称，别只看“NASDAQ”几个字。两个指数的区别，Nasdaq官方有过专门解释。 选指数之前，先问自己一个问题： 下面这张决策图，帮你把“今天想观察什么”落到具体指数上。 ┌─────────────────────────────────────────────────────────┐ │ 你想观察什么？ │ │ │ │ ├─ 美国蓝筹、30家龙头 → 道琼斯工业平均指数（价格加权） │ │ │ 注意：高股价成分股影响更大，样本不含英伟达等科技龙头 │ │ │ │ │ ├─ 美国大盘股、跨行业 → 标普500（自由流通市值加权） │ │ │ 注意：大市值公司影响更大，覆盖多个行业 │ │ │ │ │ └─ 纳斯达克上市证券、含科技 → 纳指 │ │ 注意：先分清“综合指数”和“纳斯达克100” │ │ 综合指数含多行业；100指数选大型非金融公司 │ │ │ │ 如果关注的是单只股票 → 指数只提供背景，仍需单独观察 │ └─────────────────────────────────────────────────────────┘ 图3：指数选择决策图。按观察任务选参照，不按当天涨跌临时换。 二、财报季最容易看错的，是把一种表现当成整个市场 财报发布密集时，市场同时处理不同公司的收入、利润和下一阶段展望。科技公司的消息很热，医疗、金融和工业公司的变化也在发生。 道指和科技股出现不同方向，完全可能是这套样本与权重安排下的正常结果。判断前，先把问题问具体：今天想观察的是蓝筹、大盘股，还是自己关注的科技公司？ 指数上涨，关注列表仍可能下跌 10月20日这组数据，就有几种同时存在的画面： 对象 10月20日收盘值 较前一交易日收盘变化 道琼斯指数 DJI 52,495.88点 +1.02% 标普500 SPX 7,712.57点 +0.28% 纳斯达克综合指数 IXIC 26,424.817点 -0.02% 英伟达 NVDA 216.47美元 -0.29% 联合健康 UNH 419.26美元 +3.04% 来源：10月21日TickDB查询（本篇实测）；涨跌幅由10月20日与19日的日线收盘值计算，四舍五入到两位小数。 这张表如果只看方向，可以压成一张“分歧矩阵”——同一天，四个方向同时存在： ┌─────────────────────────────────────────────────────────┐ │ 10月20日：同一天，四个方向 │ │ │ │ 上涨 下跌 │ │ ┌──────────────┬──────────────┐ │ │ 指数 │ 道指 +1.02% │ 纳指 -0.02% │ │ │ │ 标普 +0.28% │ │ │ │ ├──────────────┼──────────────┤ │ │ 个股 │ 联合健康+3.04%│ 英伟达 -0.29% │ │ │ └──────────────┴──────────────┘ │ │ │ │ 读法：指数方向不能替关注列表作结论。 │ │ 道指涨，不代表纳指涨；纳指跌，不代表联合健康跌。 │ └─────────────────────────────────────────────────────────┘ 图4：10月20日涨跌分歧矩阵。数据来源同上方表格。 对英伟达的观察者来说，“道指涨了1%”提供了一项市场背景，自己的股票仍需单独观察。对行情产品经理来说，首页可以保留三大指数，再让用户查看关注列表；一个指数的颜色，不适合替整张列表作结论。 财报上调展望，也别急着替股价写结论 联合健康在10月13日发布第三季度业绩，并上调全年盈利展望。这是公司公告中的明确信息（来源：联合健康2026年10月13日第三季度业绩公告）。 把公告日期对应到日线上看，能看到更细的过程。下面这条时间线，把公告、当日反应和次日反应分开： ┌─────────────────────────────────────────────────────────┐ │ 联合健康：公告与股价的时间线 │ │ │ │ 10月13日（盘前/盘中） │ │ ├─ 公司发布Q3业绩，上调全年盈利展望 │ │ └─ 当日收盘较前一交易日：-0.20% │ │ │ │ 10月14日 │ │ └─ 收盘较10月13日：+4.73% │ │ │ │ 读法：公告说了什么、股价随后怎样变化，是两件事。 │ │ 不能把“上调展望”直接写成“当日大涨”。 │ └─────────────────────────────────────────────────────────┘ 图5：联合健康公告与股价反应时间线。数据来源：TickDB日线实测 + 公司公告。 公告说了什么、股价随后怎样变化，值得分开记录。 只读“上调展望”四个字就写“当日股价大涨”，会把真实过程改掉。要继续解释这两天的波动，还需要对照公告内容、市场此前预期及同期其他信息。 做投研简报或让AI复盘时，先写清事件时间和实际价格变化，分析才有落脚点。 三、把观察窗口拉长，分歧更容易看清 单日涨跌容易被一条新闻吸引。把9月22日至10月20日的收盘价放在一起，走势差异会更直观。这一节里那张按首日收盘设为100的对照图，是本文最值得带走的一张图——如果只看单日，分歧像偶然；把窗口拉长，分歧是持续的。 下面把每条序列的首日收盘设为100。这样，几万点的指数和几百美元的股票可以比较价格变化，不必盯着原始数字的大小。 图6：由随文真实日线绘制。窗口含21个共同交易日收盘值、20段日间变化；股票使用不复权价格，未计分红再投资。上下两幅图分别展示指数与样本股。 在这个窗口里，道指涨约1.22%，标普500下降0.67%，纳斯达克综合指数下降3.01%；英伟达下降5.42%，联合健康上升12.42%。 这组数字可以压成一张横向对照条，一眼看到分歧的幅度： ┌─────────────────────────────────────────────────────────┐ │ 9月22日—10月20日：首日收盘=100，区间涨跌幅 │ │ │ │ 联合健康 ████████████████████████████ +12.42% │ │ 道指 ███ +1.22% │ │ 标普500 ██ -0.67% │ │ 纳斯达克 ██████ -3.01% │ │ 英伟达 ██████████ -5.42% │ │ │ │ 读法：同一窗口、同一方法，分歧是持续的，不是单日偶然。 │ │ 只保存道指一条线，科技样本的变化就不够显眼。 │ └─────────────────────────────────────────────────────────┘ 图7：区间涨跌幅横向对照。数据来源：TickDB日线实测，2026-09-22至2026-10-20。 如果只保存道指这一条线，这段时间的科技样本变化就不够显眼。把指数与关注对象分开观察，团队讨论会具体很多：是参考指数选错了，还是关注对象确实走出了不同路径？ 当然，它们也有共同上涨的时候。10月2日，道指、标普500和纳斯达克综合指数分别上涨约0.49%、0.73%和1.19%，英伟达与联合健康也都上涨。日常观察需要容纳这种一致，也要看见分歧。 因此，比较基准应按观察任务事先选好，别等某个指数涨得漂亮，再临时把它换成自己的参照。 四、用TickDB统一行情入口，把观察变成一张能复用的表 上面三节是给看盘的人看的。如果你是把这张表接进看板、脚本或AI工作流的人，下面这段是取数和复跑的最小路径；只看结论的读者可以跳到第五节。 一张美股观察表，最费事的往往是来回找数据：指数在一个页面，股票在另一个页面；有人截盘前价，有人抄昨天收盘，最后还要猜各自的时间。 我最初以为这件事的难点在计算，后来发现计算只有两行，真正花时间的是取数。统一入口的价值不在于“能取到数据”，在于六个对象用同一套查询条件、同一个复权参数、同一个交易日历对齐——这样表才能被复跑，结论才能被复核。 整个流程可以压成一张图： ┌─────────────────────────────────────────────────────────┐ │ 从取数到复盘：四个步骤 │ │ │ │ ① 统一取数 │ │ 六个对象（DJI/SPX/IXIC/NDX/NVDA.US/UNH.US） │ │ 同一窗口（2026-09-22 至 2026-10-20） │ │ 同一周期（1d）、同一复权参数（none） │ │ ↓ │ │ ② 按纽约交易日对齐 │ │ 日期与交易日历对应，缺日期则停止输出 │ │ ↓ │ │ ③ 计算 │ │ 日涨跌幅 = 相邻收盘比值 - 1 │ │ 区间走势 = 首日收盘设为100 │ │ ↓ │ │ ④ 复跑核查 │ │ 脚本输出 PASS/FAIL，原始结果与对照表可复查 │ └─────────────────────────────────────────────────────────┘ 图8：取数到复盘的流程图。每一步都可由脚本复跑。 TickDB在这项任务里提供统一的行情与历史查询入口。本篇实际通过MCP调用行情快照、日线和交易日历工具；MCP让AI客户端能够调用这些数据工具。日常看板可以按需查询行情，盘后复盘则固定使用已结束的日线。 本次取数日期为2026年10月21日，查询条件统一为： 指数：DJI、SPX、IXIC、NDX；股票：NVDA.US、UNH.US。 日线窗口：纽约交易日期9月22日至10月20日。 周期：1d；价格调整参数：none。 六个对象各返回21条日线，日期与本次美国市场交易日历对应。正文关注前三个指数，附件另保留纳斯达克100，方便核对综合指数与100指数的区别。 一套数据，完成两种观察 盘后复盘，用同一交易日的日线收盘值。日涨跌幅按相邻交易日收盘计算；区间走势按首日收盘重新设为100。 盘前或盘中观察，标清每个对象的数据时间和盘中/盘前/盘后状态。盘前股票价格正在变化时，上一交易日的指数收盘仍可能出现在页面上，应分别标清，不混成一张“今日涨幅榜”。 本文的日涨跌幅来自日线计算，没有直接套用查询时快照里的涨跌字段。对于一份跨对象的盘后报告，固定交易日更容易复核。 给技术同事的最小实现 取数调用与后续计算分开。下面这段是实际调用结构（MCP工具名与参数以官方文档为准，本篇实测调用的返回字段含 date / open / high / low / close / volume）： klines = mcp.call("get_kline", symbol="NVDA.US", interval="1d", start="2026-09-22", end="2026-10-20", adjust="none") 将保存好的日线按纽约日期对齐后，计算只有两步： # close是某一对象按交易日排序的收盘价列表 daily_change = [ (close[i] / close[i - 1] - 1) * 100 for i in range(1, len(close)) ] rebased_100 = [price / close[0] * 100 for price in close] 完整脚本还会检查证券身份、周期、复权参数、重复日期和开高低收关系。缺日期时停止输出，便于回到原始结果排查。 下载附件后，在解压根目录运行： python3 attachments/build_observation.py --input evidence --out my_report 脚本使用Python标准库，要求Python 3.10或更新版本及可用的时区数据；my_report须为新目录。它会生成逐日日线、日涨跌幅、统一起点走势和核查报告。本篇保存样本运行结果为PASS。 本篇数据条件：查询日期2026-10-21；标的DJI / SPX / IXIC / NDX / NVDA.US / UNH.US；窗口2026-09-22至2026-10-20；周期1d；复权none；来源TickDB MCP实测。外部方法来源：S&P DJI道指说明、S&P美国指数方法、Nasdaq综合指数与纳斯达克100说明（2026年6月11日）、联合健康第三季度公告（2026年10月13日）。 五、投资者、产品经理和AI复盘，可以怎样使用？ 看自己的关注对象，先选对应参照 关注科技股，可以同时保留大盘参照与相关科技样本；关注蓝筹，也要看自己实际持有或研究的公司。指数提供背景，关注列表保留具体对象。 如果拿的是指数基金，先确认它跟踪哪个指数。纳斯达克综合与纳斯达克100要分开；基金表现还会受到费用、分红处理和交易价格等因素影响，不能只凭新闻里的一个涨幅判断跟踪效果。 做行情产品，让首页留得下差异 一个实用首页可以同时展示三大指数、用户关注对象，以及各自的数据时间。点击指数后再看走势和成分说明，用户能顺着问题往下查。 需要指数含义、期货与ETF区别，以及最小看板实现，可以继续阅读站内文章《道琼斯工业平均指数怎么看？从指数含义到行情接入，先分清数据口径》。 让AI复盘，问题要带上对象和窗口 “今天美股怎么样”范围太大，模型很容易只给一句概括。可以把问题改成： 请比较2026年10月20日道琼斯工业平均指数、标普500、纳斯达克综合指数、英伟达和联合健康的收盘表现，均以前一交易日收盘为基准。列出各自数据日期和来源，指出不同方向的对象；涉及财报时，另列公告时间。 先让AI拿到对应数据，再整理观察；公司为什么涨跌，需要另找事件和研究材料。随文的原始结果与对照表，就能作为这种复盘的输入。 常见问题 道琼斯指数上涨，能说美股普涨吗？ “道指上涨”描述的是这个指数。要写“普涨”，还需要看更多股票、行业或上涨家数等信息，三十家样本的指数方向不够。 看AI科技股，是否可以只看纳指？ 先明确是综合指数还是纳斯达克100，再看自己的关注公司。综合指数还包含其他行业；单一AI主题也有自己的样本范围，不能靠名称相近就互相替代。 行情快照和日线历史数据，分别适合什么场景？ 行情快照适合查看当前状态，适合盘前盘中观察；已结束的日线适合按固定日期做盘后比较。把两种数据用在各自的任务里，观察表和历史复盘都更好维护。两类数据的通道不同，不能把快照当成持续推送，也不能用日线代替盘中状态。 最后，给你的美股观察表加上第二个视角 财报季里，一家公司上调展望，另一家公司股价承压，几种指数走出不同方向，都值得分别观察。把它们压成一句“美股涨了”，容易丢掉与自己最相关的信息。 从一张小表开始：保留三大指数，加入真正关注的股票，固定比较日期。TickDB提供的数据可以继续交给看板、脚本和AI，原始记录也留得下来。 下次看到道指大涨时，顺手打开自己的关注列表，看看是哪一部分市场正在变化。你现在的观察表里，有没有一个固定日期、固定窗口、能复跑的对照基准？如果没有，先从本周的五个交易日开始，把三个指数和两只关注股放进同一张表。 资料与数据查询日期：2026年10月21日。文中价格变化用于市场观察，非投资建议。 参考资料与随文材料 S&P DJI：道琼斯工业平均指数官方说明——样本范围与价格加权说明。 S&P美国指数方法——标普500与自由流通市值加权。 Nasdaq：综合指数与纳斯达克100有何不同（2026年6月11日）；综合指数方法、纳斯达克100方法。 联合健康第三季度业绩公告（2026年10月13日）。 TickDB：行情快照、历史K线文档。本篇历史样本经MCP实际取得。 读者附件：原始工具结果、请求参数、CSV、检查与绘图脚本、观察卡及复跑说明（见文末附件）。 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 模拟盘自挂上以后，就从来没平过仓，日志提示总是下单为0.不知道是怎么回事。挂了几个代码，全是这样毛病，开了仓的单子，就在里面放羊皮，看着盈利变成亏损。请哪位前辈指点一下，这是什么原因造成的，怎么整改才能平仓。感恩！ 十年炒股实战精髓 进入股市交易超过10年，我见证了太多的牛熊交替，也深知普通散户投资者在面对纷繁复杂的K线图时的迷茫与痛点。很多散户朋友总凭感觉交易，拉升时忍不住追高，结果买在最高点变成割肉；回调时又盲目硬扛，结果小亏变大亏。 在众多技术指标中，均线（移动平均线）无疑是最朴素、最直观，也最具有实战价值的工具。它记录了市场上不同时间周期投资者的平均持仓成本，直接揭示了股价的强弱状态与运行趋势。 今天，我将这十年来最核心、最实用的经验，提炼并总结为8****条均线实战口诀。搞懂并牢记这8条口诀，能让你在股市交易中看清市场格局、踏准主力节奏，真正做到有据可依、知行合一！ 短线生命线与追高风控 在短线交易中，5日均线是判断股价短期爆发力与风险控制的第一道防线。很多散户之所以频频挨打，就是因为无视了5日均线的警告。 口诀一：5日线是生命线，跌破别硬扛。 口诀二：5日线重新站上，站稳三天才算强。 **口诀三：股价离5日线超****7%**别追高，大概率要回踩。 5日线的防守与确认 ●****跌破不硬扛（口诀一）：5日均线代表了过去5个交易日买入者的平均成本，被视为短线操作的“生命线”。当股价收盘跌破5日均线时，意味着短期多头力量衰竭，短期获利盘或套牢盘开始涌出。很多散户总抱有侥幸心理，觉得“明天就能拉回来”，结果硬扛到底导致重仓被套。实战中，跌破5日均线就是第一防守信号，切记不可硬扛。 ●****站稳三天方确认（口诀二）：当股价止跌回升重新站上5日均线时，千万不要急于盲目重仓冲场，谨防“假突破”。真正的**“站稳三天”**有严格的实战量化标准： 1.股价收盘价需连续3个交易日运行在5日均线上方； 2.第3个交易日的K线无明显长上影线，且无缩量滞涨现象； 3.5日均线本身止跌企稳并拐头向上。只有满足这三个条件，才能确认短线走势真正转强，此时才是安全建仓或加仓的时机。 乖离率与追高风控 ●偏离超7%****不追高（口诀三）：当股价在短期内剧烈拉升，迅速拉开与5日均线的距离时，市场就处于严重的超买状态。这里可以用**乖离率（BIAS）**指标进行精准量化： $$\text{乖离率 BIAS} = \frac{\text{现价} - \text{5日均线价}}{\text{5日均线价}} \times 100\%$$ 当乖离率 BIAS 超过 7% 时，说明短期获利盘极其丰厚，股价随时面临强大的获利吐压，向5日均线回归回踩的需求极高。投资者可以在行情软件中设置 BIAS 超买预警。面对这种暴涨形态，切忌 FOMO（害怕错过）盲目追高，耐心等待股价回踩5日均线或10日均线确认支撑后再寻低吸机会。 趋势判断与均线交叉信号 10日均线、20日均线与30日均线的组合，能够帮助我们快速识别中短线的交叉变盘信号与整体趋势形态。 ●10日均线与30日线形态（口诀四：10日线上穿30日线）：当10日均线由下向上穿越30日均线形成“金叉”时，代表短期持仓成本超越了中期持仓成本，这是多头资金持续流入、中短线发动攻击的强烈交叉信号，预示着股价向上突破的动能显著增强。 ●20日均线趋势定乾坤（口诀五：20均线看趋势，跌破趋势弱，站上趋势强）：20日均线（辅助月线）是判断中短线趋势强弱的核心基准线，更是主力的防守线。股价跌破20日均线，代表中期趋势开始转弱，市场由空头主导，应果断离场或规避风险；而只要股价稳稳站上20日均线且均线呈向上倾斜状态，就代表股票处于强势上升通道，投资者应坚持顺势做多。 关键变盘节点与主升浪起点 在遇到特殊的死叉形态或均线粘合时，往往意味着市场临界变盘节点的到来，处理得当往往能避开大坑或捕捉到翻倍主升浪。 死叉与年线防线 ●****月线死叉防守与年线支撑（口诀六：月线死叉风险至；口诀七：年线不割肉，反弹中阳线）：当短期均线向下穿过月线形成死叉时，预示着市场进入阶段性深度调整。很多散户在阴跌中绝望割肉，往往割在最低点。这里的核心逻辑在于年线（250日均线）。年线被称为股市的“牛熊分界线”，更是机构大资金的长期底线成本所在。股价在经历深度回调到达年线附近时，强大的机构护盘资金与技术性超跌反弹力量极易在此汇聚。因此，当股价回落至年线强支撑位附近时，切勿盲目杀跌割肉，应保持冷静持股观望，静待超跌反弹的中阳线或大阳线出现，再利用反弹的高点择机减仓解套。 均线粘合与主升浪爆点 ●20/60日均线粘合突破（口诀八：20日60日均线粘合变盘，向上放量冲破，那就是主升浪的起点）：当20日均线与60日均线高度粘合、平行缠绕时，表明中短期市场的持仓成本趋于高度一致，多空双方达到了临界的极致平衡，股价即将迎来爆发性的方向选择。 此时必须密切关注量能与突破形态：一旦出现一根实体中阳线或大阳线，且突破当日成交量达到5日均量线的1.5倍至2倍以上（向上放量冲破），这就宣告了多头彻底胜出，此节点正是极具确定性的主升浪起点！这是全场最宝贵、确定性最高的重仓买入时机。 老手寄语： 均线口诀是前人几十年血汗经验的凝结，能够帮你快速看清市场格局、看懂主力意图。然而，股市交易没有100%的绝对胜率，比看懂口诀更重要的，是严明如铁的交易纪律。知行合一，严格止损，永远尊重市场趋势，不凭侥幸心理操作，你才能在这个市场中实现真正长久稳健的获利！ 
