这篇周策略笔记要解决的问题很具体当市场走出“市场反弹右侧”形态时如何用一组可量化的规则替代“感觉要涨就买”的判断并把规则做成可回测、可批量扫描、可接口调用的系统。这里以 20260813 这个观察周期作为演示标签后面所有代码和数据流程都会围绕这个日期展开但读者必须明白这是一个策略模板不是确定性行情判断。任何把策略回测收益直接当成实盘收益的做法都是危险的。所以本文先讲右侧确认逻辑再讲 Python 环境、数据获取、信号计算、回测验证、API 化部署和常见坑位目标是让“市场反弹右侧”从一句交易口号变成可以直接运行的技术方案。右侧交易和左侧交易最大的区别在于对风险的态度。左侧交易倾向于在下跌过程中分批买入本质是“猜底”策略容易在阴跌过程中不断被套右侧交易则要求等待行情自己先走出下跌等价格站上关键均线、动量指标修复、成交量放大之后再介入放弃最低点换取更高的确定性。但在震荡市里右侧交易同样会反复触发、反复止损。所以我们不追求预测 20260813 当天一定反弹而是把“反弹已经出现”这个判断用一组客观条件表达出来再由程序判断是否满足最后通过历史数据检验这套条件是否真的有效。1. 右侧策略的核心定位与策略模板项目说明策略类型周度趋势跟随 右侧确认核心思路不猜底等待反弹确认后再介入适用品种宽基指数、指数 ETF、流动性较好的个股持仓周期1 到 5 个交易日按实际需求调整确认信号维度趋势、动量、量能三重共振数据频率日线 OHLCV 数据数据长度建议至少 120 到 250 个交易日开发环境Python 3 pandas numpy可选 backtrader运行方式脚本回测 FastAPI/Flask 接口 定时批量扫描观察窗口以 20260813 所在的周度周期为演示模板这个表格回答了三个核心问题策略在什么周期上运行、用什么数据、有哪些确认维度。右侧策略真正的难点不在“要不要追涨”而在“什么条件才算右侧确认”。如果只用一根 K 线或者一个盘中异动就判断反弹成立大概率是伪信号更稳妥的做法是把趋势、动能、量能三个维度放在一起综合判断。从工程角度看周度右侧策略适合做成“每周五收盘后跑一次”的定时任务。数据更新到周五收盘程序重新计算信号输出一份本周观察名单然后人工复核再把结果落到下一周的交易计划里。整个过程不需要盯盘也不需要高频交易正好适合用 Python 脚本和接口服务承载。20260813 这个周期作为一个演示观察窗口可以完整走一遍“数据获取 → 信号计算 → 回测验证 → 结果输出”这套流程。2. 适用场景与使用边界右侧策略不是一个万能的选股器它在特定市场环境下表现更好。最适用的场景是指数或个股经历了一段时间的下跌开始出现企稳迹象比如K线连续收阳、短期均线拐头向上、成交量从缩量转为放量这时右侧信号才具备参考意义。相对不适合的场景也要说清楚。单边阴跌且没有任何企稳迹象时强行用右侧信号容易频繁触发假反弹重大事件驱动的暴涨暴跌比如政策出台、公司公告、行业突发利空价格信号滞后严重不适合只用技术指标判断流动性很差的个股均线和成交量指标容易被少量交易拉出假信号也不适合直接套用这套策略。合规和技术边界同样重要。文中示例使用公开行情接口但实际使用时必须确认数据来源是否已获得授权不要爬取未经许可的数据页面。策略代码只是技术验证工具不构成投资建议尤其不能以 20260813 这个演示日期作为未来实际走势的判断依据。如果策略后续要接实盘还需要考虑券商接口授权、风险披露、隐私保护等一系列合规问题。涉及个股分析时不要越界不要给出“必定上涨”之类的确定性承诺。3. 右侧确认信号的设计右侧确认信号不能只用一个指标最好形成“趋势 动量 量能”三重共振的结构。这样设计的好处是让信号有明确逻辑即使某个条件失效也能通过另外两个条件做交叉验证。3.1 趋势确认趋势确认的作用是判断价格已经扭转下跌走势。最常用的方法是看短期均线与长期均线的关系。示例参数采用 5 日均线与 20 日均线收盘价站上 20 日均线代表中期走势开始转强。5 日均线向上穿过 20 日均线代表短期动能正在加强。两者同时满足趋势才算初步确认。3.2 动量确认动量指标用 14 日 RSI 判断价格修复程度。RSI 从超卖区回升到 50 上方代表抛压减弱、买盘开始回归这是右侧信号中比较关键的观察点。3.3 量能确认量能是右侧信号的“验证器”。价格上涨但没有成交量配合反弹可能只是缩量反抽成交量大于最近 5 日均量说明有新增资金进场反弹的可靠性会更高。把这三类条件合并就得到一个基础右侧信号信号条件计算方式说明trend_okclose MA20 且 MA5 MA20趋势修复momentum_okRSI14 50动能修复volume_okvolume 5日均量资金进场signal_righttrend_ok 且 momentum_ok 且 volume_ok右侧确认需要注意这些参数是示例值不同品种、不同周期可能需要重新调参。比如指数波动小20 日均线可能太短个股波动大RSI 阈值可能需要调整到 55 或 60。更好的做法是把参数写成配置文件方便后续做批量回测。4. Python 环境准备与数据获取周度右侧策略用到的 Python 包不复杂核心是数据处理和回测相关库。建议先建一个独立虚拟环境避免和系统 Python 环境冲突。# 创建并激活虚拟环境 python -m venv right_trade_env source right_trade_env/bin/activate # Windows 下使用right_trade_env\Scripts\activate # 安装常用依赖 pip install pandas numpy matplotlib akshare # 如果需要回测框架可加装 backtrader pip install backtrader安装完成后需要验证环境是否可用。直接导入关键库如果报错就根据提示安装缺少的依赖。要注意不同系统下的 Python 和 pip 命令可能不同比如 Ubuntu 下可能是 python3 和 pip3Windows 下可能需要使用 py -m pip 调用。数据获取是策略落地的第一步。这里以 akshare 为例写一个通用拉取函数实际使用时需要查询对应版本的接口文档因为此类数据接口更新频率很高。import akshare as ak import pandas as pd def load_daily_bars(symbol: str sh000001): 加载日线行情返回标准 OHLCV DataFrame。 注意akshare 接口可能随版本更新变化需要根据官方文档调整。 df ak.stock_zh_index_daily(symbolsymbol) df df.rename(columns{ date: date, open: open, high: high, low: low, close: close, volume: volume, }) df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() # 只保留最近 250 个交易日足够计算均线和 RSI df df.tail(250) return df[[open, high, low, close, volume]] # 运行示例 if __name__ __main__: bars load_daily_bars(sh000001) print(bars.tail())数据接口返回的字段名可能不是统一格式比如有的接口返回 date、code、price有的返回日期、开盘、收盘所以拿到数据后第一件事是统一字段名否则后面指标计算会出错。为了减少重复请求建议把拉下来的数据保存到本地 CSV 或 Parquet 文件每个品种一个文件后续回测直接读取本地数据。bars.to_csv(data/sh000001.csv, encodingutf-8-sig)本地缓存的意义很大。批量扫描几百个品种时如果每次都实时请求行情接口很容易触发限流还会让整个任务变慢。先拉取数据缓存再用离线数据做策略分析是更稳定的工程做法。5. 周度右侧信号计算实现信号计算是本策略的核心代码。我们要实现 RSI 计算和右侧信号标记并且明确一个原则所有指标只能用当天及之前的数据计算不能使用未来数据否则回测结果会失真。import numpy as np import pandas as pd def compute_rsi(close: pd.Series, period: int 14) - pd.Series: 计算 RSI 指标采用简单移动平均方式。 diff close.diff() gain diff.clip(lower0) loss -diff.clip(upper0) avg_gain gain.rolling(period).mean() avg_loss loss.rolling(period).mean() rs avg_gain / avg_loss.replace(0, np.nan) rsi 100 - 100 / (1 rs) return rsi.fillna(50) def weekly_right_signal( df: pd.DataFrame, ma_short: int 5, ma_long: int 20, rsi_period: int 14, vol_window: int 5, ) - pd.DataFrame: 在日线数据上计算右侧确认信号。 out df.copy() out[ma_short] out[close].rolling(ma_short).mean() out[ma_long] out[close].rolling(ma_long).mean() out[rsi] compute_rsi(out[close], rsi_period) out[vol_ma] out[volume].rolling(vol_window).mean() out[trend_ok] (out[close] out[ma_long]) (out[ma_short] out[ma_long]) out[momentum_ok] out[rsi] 50 out[volume_ok] out[volume] out[vol_ma] out[signal_right] out[trend_ok] out[momentum_ok] out[volume_ok] return out # 示例运行 # df_signal weekly_right_signal(bars) # print(df_signal[[close, ma_short, ma_long, rsi, signal_right]].tail(10))这个实现并不复杂但有两个细节需要注意。第一RSI 计算中avg_loss.replace(0, np.nan)是为了防止除零错误。如果某段时间完全没有下跌RSI 会趋向 100用 0 做分母会报错。第二右侧信号可能会连续多天都为 True。比如价格站上 20 日均线后只要短期均线不跌回来条件就会一直成立。如果在回测中每天都入场会出现大量重复交易。因此需要在回测层面对信号做“周度去重”默认只在每周最后一个交易日判断信号或者两次入场间隔至少 5 个交易日。判断信号是否成功的标准很简单如果在 20260813 这个观察窗口附近的最后交易日signal_right 为 True就把该品种加入观察名单如果为 False则继续等待。此时不需要急着买先把信号记录下来后续再做历史验证。6. 回测与效果验证信号计算完成之后最关键的问题是这套右侧确认条件在过去数据上表现如何回测的目的不是得到一个看起来很高的收益率而是检验信号是否能带来正的期望收益以及最大回撤是否在可接受范围内。先写一个简化的回测函数。假设出现右侧信号当天以收盘价买入持有 5 个交易日后以收盘价卖出不计算手续费和滑点。这个简化模型用作对比基准不代表真实收益。def backtest_right_signal(df: pd.DataFrame, max_hold: int 5) - dict: 简化回测出现右侧信号当天收盘买入持有 max_hold 个交易日后收盘卖出。 实际使用时应考虑手续费、滑点、涨跌停无法成交等问题。 df_signal weekly_right_signal(df) trades [] last_signal_idx -999 for i in range(1, len(df_signal)): if df_signal[signal_right].iloc[i]: # 周度去重距离上一次信号太近就跳过 if i - last_signal_idx max_hold: continue entry_price df_signal[close].iloc[i] future df_signal.iloc[i 1: i 1 max_hold] if len(future) max_hold: break exit_price future[close].iloc[-1] ret exit_price / entry_price - 1 trades.append({ entry_date: df_signal.index[i], entry: round(entry_price, 4), exit: round(exit_price, 4), ret: round(ret, 6), }) last_signal_idx i if not trades: return {trades: 0, avg_ret: 0, win_rate: 0} rets [t[ret] for t in trades] return { trades: len(trades), avg_ret: round(float(np.mean(rets)), 6), win_rate: round(float(np.mean([r 0 for r in rets])) * 100, 2), max_trade_loss: round(float(np.min(rets)), 6), } result backtest_right_signal(bars) print(result)这段代码输出的结果是字典对象包含交易次数、平均收益、胜率和最大单笔亏损。如果所有信号加起来交易次数少于 10 次说明样本量不足不能据此判断策略有效如果胜率高但平均收益低说明信号虽然多数正确但盈利空间小如果胜率低但平均收益高说明信号偶尔抓住大行情但稳定性不够。验证流程建议按下面四步走。第一步全样本回测。先把 250 个交易日的全部数据跑一遍看整体收益和回撤情况这一步能判断信号在大部分时间里是否有效。第二步样本外验证。把数据分成前 70% 和后 30%用前段数据筛选参数用后段数据验证效果。如果后段数据表现很差说明参数过拟合需要重新设计信号。第三步加入交易成本。模拟手续费万二、滑点万分之五再看收益是否明显下降。高频交易和频繁换仓的右侧策略交易成本对净收益的影响会很大。第四步观察信号密度。理想情况下一个品种一年出现 10 到 30 次右侧信号比较合理。如果信号出现上百次说明条件太松如果一年只有一两次说明条件太严策略没有实际使用价值。有关 20260813 这个观察窗口的验证更实际的做法是用 250 个交易日的历史数据建立回测基准然后看最近一个交易日是否触发右侧信号再决定是否列入下周观察名单。不要把单次信号当成必然买入理由。7. 策略接口 API 与批量任务如果只是自己手动看一个品种脚本就够了。但周度策略真正有价值的地方在于批量扫描每周五收盘后自动扫描几十只候选品种输出一份右侧确认信号列表再通过接口或者消息推送推给决策者。这就需要一个简单的策略服务。下面用 FastAPI 写一个策略接口示例。接口接收品种代码和截止日期返回该品种在截止日期是否出现右侧信号。实际项目中要接入数据加载函数和信号计算函数。# app.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel app FastAPI(titleRight Trade Strategy API) class SignalRequest(BaseModel): symbol: str sh000001 end_date: str 2026-08-13 app.get(/health) def health(): return {status: ok} app.post(/signal) def get_signal(req: SignalRequest): 返回指定品种在 end_date 附近的右侧确认信号。 这里只做接口演示实际使用时需要接入行情数据和信号计算函数。 try: # bars load_daily_bars(req.symbol) # result weekly_right_signal(bars) # latest result.loc[:req.end_date].tail(1) # signal bool(latest[signal_right].iloc[0]) return { symbol: req.symbol, end_date: req.end_date, signal: right_confirm, detail: 接口演示结果请替换为真实数据计算, } except Exception as exc: raise HTTPException(status_code500, detailstr(exc))启动接口服务uvicorn app:app --host 127.0.0.1 --port 8000启动后可以用 curl 做一次健康检查curl http://127.0.0.1:8000/health接口服务的价值在于把策略能力和调用方解耦。下周策略评审时不需要每次都打开 Jupyter Notebook直接请求接口就能拿到信号结果。如果内部系统需要接入行情看板、企业微信机器人或者自动报告也只需要调用这个接口。批量扫描部分可以用线程池跑多个品种from concurrent.futures import ThreadPoolExecutor import pandas as pd def scan_one(symbol: str): # 实际项目中加载本地缓存数据 - 计算周度右侧信号 - 返回结果 return {symbol: symbol, signal: no_signal, score: 0} symbols [sh000001, sz399001, sh600000, sz000001, sh600036] with ThreadPoolExecutor(max_workers3) as executor: rows list(executor.map(scan_one, symbols)) df_result pd.DataFrame(rows) df_result.to_csv(weekly_signals.csv, indexFalse, encodingutf-8-sig)注意很多行情数据接口都有频率限制线程数不宜开太大否则容易出现请求被限流或封禁。更稳妥的做法是先拉取数据到本地批量扫描时直接读本地文件。定时任务也很关键。Linux 环境下可以用 crontabWindows 环境可以用任务计划程序。示例命令每周五 16 点执行一次扫描脚本。# 每天或每周固定时间执行扫描具体路径按项目调整 0 16 * * 5 cd /path/to/project python scan_batch.py logs/weekly.log 21批量任务的日志要保留。每条品种至少记录扫描时间、数据最新日期、信号结果、当前收盘价、均线状态。这样即使策略后面表现不好也能回溯是哪一步出了问题。8. 策略运行资源与性能观察这类周度策略属于典型的数据处理任务不涉及 GPU、显存、模型推理所以不用关注显卡配置。真正需要观察的资源指标是数据请求耗时、内存占用和批量任务执行时间。就单个品种而言250 个交易日的日线数据通常只有几千行pandas 计算均线和 RSI 几乎瞬间完成内存占用可以忽略不计。真正的瓶颈在于批量拉取行情数据。如果扫描 100 个品种每个品种实时请求一次接口快则几分钟慢则可能因为限流变成几十分钟。建议把数据缓存到本地 CSV 文件每日收盘后增量更新扫描时直接读取本地数据速度会明显提升。观察性能可以从三个维度入手。第一数据下载耗时。统计每个品种从发出请求到拿到数据的时间如果某个品种经常超时说明接口不稳定或者当前网络情况不佳需要加超时重试机制。第二信号计算耗时。单个品种、250 个交易日、三重指标计算在普通办公电脑上通常不会超过 1 秒。如果计算时间明显变长先检查是否把全部历史数据加载进来了而不是只加载最近 250 条。第三批量任务耗时。扫描 50 个品种时建议把总耗时记录下来。如果某次任务因为限流中断可以设计一个重试队列把失败的品种重新放回队列执行。内存占用方面即使加载 5000 只股票的日线数据几百 MB 级别的内存也足够。但如果一次性把所有 A 股数据全部读入 DataFrame内存会明显上升更合理的做法是逐个处理、逐批保存结果不要在内存里放全市场数据。9. 常见问题与排查方法问题现象可能原因排查方式解决方案行情接口返回空数据接口更新、限流、代码版本变化打印返回字段查看官方文档改用备用数据源或降低请求频率RSI 计算报错数据缺失、除零检查 close 列是否有 NaN计算前做 dropna 或 fillna右侧信号过多条件太松、未做周度去重统计信号出现次数增加条件或限制最小信号间隔右侧信号过少条件太严格、数据量不足检查数据长度放宽阈值或增加数据历史回测收益明显偏乐观存在未来函数、未计手续费检查是否使用了未来数据用次日开盘价入场加入手续费和滑点批量任务卡住接口限流、线程阻塞查看日志增加超时设置和失败重试接口服务不可访问端口占用、防火墙阻止检查程序启动日志更换端口或调整防火墙规则不同数据源信号不一致复权方式不同、字段口径不同对比数据源最后一行统一使用前复权或不复权口径最容易被忽略的问题是“未来函数”。比如用当天的收盘价判断当天信号然后假设当天开盘就买入这在历史数据里是成立的但在实盘中无法操作因为开盘时还没有收盘价。稳妥的做法是出现信号次日开盘买入或者信号出现当天下午尾盘买入回测逻辑和实盘逻辑保持一致。另一个常见问题是数据复权。股票分红除权后股价会出现跳空不复权数据会让均线和 RSI 产生明显偏差。建议统一使用前复权数据做技术指标计算避免因除权导致信号误判。10. 最佳实践与下一步把这套周度右侧策略落地建议遵守几个工程化原则。第一次测试时先用小参数、小样本不要一上来就扫描几百只股票。比如先选 3 个宽基指数跑完信号计算和回测确认代码逻辑正确再逐步扩展到更多品种。保留一套最小可运行配置。把数据缓存目录、日志文件、信号结果分开管理形成类似下面的目录结构project/ ├── data/ # 行情数据缓存 ├── logs/ # 运行日志 ├── outputs/ # 信号结果和回测报告 ├── config.py # 策略参数配置 ├── data_loader.py # 数据获取模块 ├── strategy.py # 信号计算与回测 ├── scan_batch.py # 批量扫描脚本 └── app.py # API 服务批量任务必须加日志和失败重试。每次扫描结束后检查哪些品种没有成功获取数据下一轮重试避免因为个别品种失败导致整体结果缺失。如果你的目标是 20260813 这个观察窗口的实战验证第一步不是判断明天涨跌而是把“右侧确认”条件量化成可复现的信号代码用 2026 年之前的历史数据回测一遍看看这套信号在过去是否有效。历史数据通过并不代表未来一定有效但至少能帮你排除明显失效的策略。后续可以继续扩展的方向也明确加入成交额过滤排除流动性过低的小市值品种加入波动率过滤规避短期波动过大的标的加入行业板块过滤避免同一行业多个标的重复触发信号引入更严格的风控模块比如固定比例止损、移动止损、仓位管理等。右侧交易的关键从来不是“每次都对”而是赚钱的时候赚够亏钱的时候亏少。把这套规则写进代码再用历史数据和实盘观察来完善它才是周度策略真正能落地的方式。