短线选股量化策略：把实时行情变成可执行的交易信号

原创

fxyz

发布于 2026-09-16 09:49:04

1000

一、数据底座：先定义“能被验证”的输入

FxyzSkill 将数据分为 Basic、Board、Market 三组，共 14 个接口。实时行情接口返回 30 多个字段，交易时段约每分钟更新；K 线、涨停板、五档和资金流向接口，分别补齐趋势、情绪、交易结构和资金验证。

FxyzSkill 能提供什么？

数据类别	关键接口/方法	量化用途
基础股票池	BaseApi.getStockList()	获取沪深京 A 股、ETF、指数等列表，剔除 ST、退市和异常标的
实时行情	BoardApi.getRealTimeQuote()	价格、涨跌幅、涨速、量比、换手率、估值等，约每分钟更新
涨跌板监控	getZhangTingBan()、getDieTingBan()、getZhaBan()	判断市场情绪、连板强度和炸板风险
强势股	getQiangShiGu()	获取 60 日新高、近期多次涨停等强势特征
K 线	MarketApi.getKLine()	支持 5 分钟至年线，计算均线、波动率和突破信号
盘口与成交	getFiveLevel()、getBidData()、getDealData()	验证买卖价差、盘口厚度、竞价强弱和主动成交方向
资金流向	getMoneyFlow()	区分特大单、大单、中单、小单的主买主卖金额

字段 → 因子 → 决策

数据字段	量化含义	短线用法	常见误区
zdf / zf / zs	涨跌幅、振幅、涨速	找正在加速而非已经失速的股票	只看涨幅，忽略振幅过大带来的滑点
lb / hsl	量比、换手率	量比放大且换手处于可承受区间	认为量比越大越好，忽略“一日游”放量
zdf03 / zdf05 / zdf10	3、5、10 日收益	用短周期斜率确认方向一致	把历史收益直接当成未来收益
wb / wp / np	委比、外盘、内盘	与五档、逐笔成交交叉确认买盘	把委比当作必然成交的订单
roe / jtsyl / ltsz	质量、估值、规模	剔除基本面和容量风险	短线模型加入过多慢变量

经验：先用少量、含义清晰的因子建立基线，再做增量实验。因子越多不等于模型越强，相关因子重复计权反而会放大噪声。

二、策略框架：四层过滤，避免“一个指标选股”

flowchart LR
    A[股票池\nBaseApi.getStockList] --> B[市场状态\n涨停/跌停/炸板]
    B --> C[个股打分\n动量+流动性+买盘]
    C --> D[触发交易\n实时行情+五档确认]
    D --> E[风控退出\n止损/止盈/时间止损]

1. 股票池过滤

剔除 ST、退市、停牌和上市时间过短的股票。
以近 20 日平均成交额设最低门槛，保证信号可成交。
对不同板块分别排名，避免大盘股和小盘股在同一截面中失真。

2. 市场状态过滤

把涨停家数、跌停家数、炸板家数和指数趋势合成市场温度：

温度上升：涨停扩散、炸板率下降，可正常运行策略。
温度中性：缩小持仓数量，优先选择流动性高的标的。
温度下降：跌停增加、炸板率升高，降低仓位或暂停开仓。

3. 个股多因子打分

score = 0.35 × rank(zdf10)
      + 0.25 × rank(lb)
      + 0.20 × rank(hsl)
      + 0.20 × rank(buy_pressure)

buy_pressure = (wp - np) / max(wp + np, 1)

其中 rank() 是当日股票池内的截面百分位排名，能降低不同价格、规模之间的不可比性。

示例交易条件：

score >= 75
zdf > 1.5%
1.2 <= lb <= 6
2% <= hsl <= 18%

阈值不是“圣杯”，应根据市场板块、交易制度、手续费和滑点重新校准。

因子权重图（示意）

因子	权重	解释
动量（10 日涨幅）	35%	趋势方向和强度
量比	25%	当前成交是否明显活跃
换手率	20%	流动性与筹码交换程度
买盘压力	20%	外盘、内盘和主动成交的合成指标

三、用 FxyzSkill 完成一次“从接口到信号”的实践

下面的代码沿用 FxyzSkill 文档中的字段名。数值仅用于演示解析和打分，不代表当前报价。生产环境请把 Token 放入环境变量，并遵守接口频率限制。

from fxyz.scripts.api.BoardApi import BoardApi

quote = BoardApi.getRealTimeQuote(
    symbol="stock",
    code="000001",
    token=TOKEN
)

row = quote[0]
score = (
    pct_rank(row["zdf10"]) * 0.35
    + pct_rank(row["lb"]) * 0.25
    + pct_rank(row["hsl"]) * 0.20
    + buy_pressure(row["wp"], row["np"]) * 0.20
)

if score >= 75 and 1.2 <= row["lb"] <= 6:
    emit_signal(row["code"], score, reason="动量+流动性+买盘")

工程要点：实时接口只负责“候选发现”。下单前再请求 /wolf/time/five 五档和 /wolf/deal 逐笔数据，确认买一卖一价差、盘口厚度和主动成交方向，避免把报价延迟误当成信号。

示例行情快照（来源字段示意）

代码	最新价 zxj	涨跌幅 zdf	量比 lb	换手 hsl	外盘 / 内盘	解读
000001	11.07	-0.18%	0.62	0.21%	168,946 / 237,158	不触发：动量和量能均不足，排除

四、实践总结：短线模型最容易输在哪里

风险点	典型表现	改进方式
把实时当成无延迟	信号时间与数据时间不一致	保存每条记录的时间戳和请求耗时
未来函数	用收盘后字段计算盘中排名	严格按信号时刻切分数据
回测过于理想	只用收盘价成交	加入滑点、手续费、涨跌停和成交容量
因子重复计权	涨幅、涨速、短期收益高度相关	检查相关矩阵，做正交或降权处理
忽略市场状态	情绪退潮期仍满仓开仓	根据涨停、跌停、炸板率动态调仓
没有退出规则	亏损单被动变成长线单	预先定义止损、止盈和时间止损

一句话结论：FxyzSkill 的价值不在于替你“预测牛股”，而在于把行情、盘口、板块情绪和资金拆成可记录的证据链。先用少量因子做出稳定基线，再通过样本外测试、成本建模和故障演练逐步迭代，通常比堆叠几十个指标更可靠。

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。

python

短线选股量化策略：把实时行情变成可执行的交易信号

短线选股量化策略：把实时行情变成可执行的交易信号

一、数据底座：先定义“能被验证”的输入

FxyzSkill 能提供什么？

字段 → 因子 → 决策

二、策略框架：四层过滤，避免“一个指标选股”

1. 股票池过滤

2. 市场状态过滤

3. 个股多因子打分

因子权重图（示意）

三、用 FxyzSkill 完成一次“从接口到信号”的实践

示例行情快照（来源字段示意）

四、实践总结：短线模型最容易输在哪里

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐