企业官网建设流程全解析

1. 这套策略的底层逻辑，先搞懂集合竞价和MACD背离在干嘛

先说结论：集合竞价抓涨停这件事，本质不是在抓“涨停”，而是在抓“竞价阶段资金已经决定了今天要抢筹”的那批股票。我见过很多人把精力花在盘中打板上，也有很多人盯着龙虎榜复盘，但真正拉开差距的其实是早上9:15到9:25这段窗口期。那个时候成交还没真正展开，价格是由撮合前的买卖申报决定的，里头的信息量极其浓缩，又没有被盘中的情绪噪音冲散，是短线客唯一能拿到“相对干净”的资金意图数据的时段。

我2018年刚开始做竞价模型的时候，也走过不少弯路，纯靠量比排序、高开幅度排序去筛票，结果经常被高位股的反包假象骗进去。后来把MACD背离和斐波那契位置叠加上去，逻辑才慢慢闭合。这俩工具看上去一个偏技术指标、一个偏几何工具，但它们解决的是同一件事：帮你判断“这个价位上车，赔率够不够”。

为什么是MACD背离？因为竞价阶段你没法看分时形态，但你可以看日线级别的动能状态。如果一只票昨天创了新低但MACD的绿柱已经在收窄，或者快线没有跟着创新低，说明下跌动能在衰竭，今天竞价高开就有可能是资金提前进场。为什么是斐波那契？因为它本质上是一张市场记忆图，前面套牢盘密集的位置、前期低点启动的位置、平台破位的位置，往往都落在0.382、0.5、0.618这几个分割位上。竞价高开落在哪个位置，决定了今天往上打的空间和抛压的厚度。

这套策略适合谁？适合已经有一定复盘经验、想把手动经验固化成规则的短线交易者。不适合纯新手——不是说新手看不懂，而是这个策略的回撤期很熬人，没有纪律的人很容易在连续三次止损后自己把模型改废了。后面的内容我会把规则、代码、回测和踩坑全部摊开讲，你可以直接照着去搭一套自己的竞价监测工具。

2. 策略规则拆解：每一条筛选条件背后都有“为什么”

2.1 候选池过滤：先去掉90%的干扰项

我每天盘后第一件事不是选股，而是把第二天能进竞价池的票先圈出来。池子过滤得越干净，第二天早上盯盘就越轻松。我不会看全市场4000多只票，我只看有“被资金关注过”的票。

过滤条件长期固定下来就三条：

• 昨日涨幅在3%到7%之间，剔除掉已经涨停或者接近涨停的票，也剔除掉涨幅太小的冷门票。
• 昨日成交额大于3亿，太小的盘子竞价容易被人为操纵，价格跳空后你根本没法出掉。
• 昨日换手率在3%到15%之间，太低说明没资金参与，太高说明分歧过大，第二天容易高开低走。

这条规则的底层逻辑很简单：一只票昨天已经表现出资金的关注度，但还没有完全释放做多动能，今天竞价才有“延续加速”的可能。你要是去选昨天已经一字板的票，竞价肯定高开很多，但买不进去，或者买进去就是接盘的命。你要是去选昨天还在横盘的票，竞价高开一点就缺乏支撑，冲高回落是常态。

这个池子过滤完之后，通常全市场只剩下一百只不到的票。接下来再叠加量价、背离和斐波那契的逻辑，慢慢筛到个位数。

2.2 竞价量比和金额：资金是真心抢筹，还是单纯高开？

竞价阶段最容易迷惑人的就是高开幅度。高开3个点不代表资金想买，可能只是昨天收盘前有人刻意拉了一下尾盘，今天开盘用卖单把价格顶在高位出货。所以我会额外看两个数据：竞价量比和竞价成交额。

量比的计算公式是（今日此刻成交量 / 今日已开盘分钟数）除以（过去5日日均每分钟成交量）。在集合竞价阶段，它更直观的含义是：当前撮合的挂单量相比过去几天的平均水平放大了多少倍。

我自己的阈值是这样设的：

• 竞价量比大于1.5，最好大于2，说明挂单确实在放大。
• 竞价成交额大于1000万，这个门槛可以过滤掉太多微盘股的小打小闹。

但这里有个很关键的细节，量比在早盘数据里会随着时间推移迅速变化。9:15刚开放撮合的时候，很多票量比显示是几十倍甚至上百倍，因为全天成交量还没累计，分母特别小。所以你必须在9:20之后、9:25之前的第二次数据快照里确认量比，那才是真实水平。我自己写程序的时候，会固定取9:23到9:24之间的数据，那个时间段挂单基本稳定，又还没到最后的随机波动阶段。

注意：千万不要在9:15到9:20之间做任何决策。那五分钟的挂单是可以撤的，很多人专门在这个时段挂大买单吸引注意力，然后9:20前撤单。你看到的“巨量竞价买入”很可能是假的。

2.3 MACD背离的量化定义：把“感觉”变成代码

很多人看背离靠眼睛，“价格创新低，但MACD没创新低，背离了”。但计算机不会看形态，你必须给它一条明确的判别规则。我的做法是分两种情况，分别写进模型里。

第一种，底背离。取最近的日线数据，找到两个相邻的局部低点。如果后一个低点的价格比前一个低点更低，但对应的MACD柱状值（通常是DIF减DEA的差）比前一个低点更高，那这就是底背离。通俗讲就是价格在跌，但下跌的“力气”已经不够了。

第二种，隔堆背离。这种更隐蔽，指数在下跌过程中出现一波反弹，然后继续下跌创新低。这时候你要比较的是前后两波下跌所对应的MACD柱状面积，如果后面的面积明显小于前面，说明空头动能整体在减弱。这个判断比单点柱状值更抗噪音。

实际代码判断的时候，我需要给系统提供一段至少90个交易日的日线数据。系统会逐个扫描最近30个交易日内的所有波段低点对，如果检测到底背离，就标一个信号“MACD多头背离”。这个信号只代表动能衰竭，不直接触发买入，要等竞价数据确认后才会进入评分环节。

2.4 斐波那契位置：今天这个竞价高开，站在什么位置上？

多数人用斐波那契喜欢画从最低点到最高点的整段回撤，这种方法看大方向还行，但用在短线博弈上太粗糙了。我给你讲一下我怎么用的。

我画线的时候，取的是最近60个交易日的最高点和最低点，然后计算三个分割价位：0.382位置、0.5位置、0.618位置。这三个位置对应的含义分别是：

• 如果今日竞价价格位于0.382上方，说明多方已经收复了前一波下跌的三分之一以上，短期有继续向上的惯性。
• 如果刚好顶在0.5附近，说明到了多空分水岭，今天高开在这个位置，要观察能否放量突破。如果放量过去，后面空间打开；如果缩量卡住，大概率回落。
• 0.618是黄金分割位，也是前期筹码密集区的强压力位。如果竞价直接高开到0.618之上，那说明资金意图非常强，但风险也随之增大——很容易触发前期套牢盘砸盘。

斐波那契关键位置不直接作为选股条件，它负责给打分项加权。股票价格距离这三个位置越近，越会得到额外的加分或减分。比如一只票竞价高开，刚好处在0.5附近且量比放大，评分就会非常高；如果它高开在0.382下面，说明弱势反弹，不管其他指标多好都直接放弃。

这个方法看起来简单，但我后来反思过，它真正有价值的不是那几个数字，而是强迫你在开盘前就明确“这个价位往上是什么空间、往下是什么空间”。你有了一根尺子，你就不会被盘中的分时波动带偏。

2.5 综合评分：多个信号共振，才算高胜率

所有条件单独拿出来都不够，我的经验是至少需要三个维度共振，才能得到真正的高胜率信号。所以评分模型里，我会把量价、动能、结构位置、情绪延续四个维度综合打分。

每个维度的分值分配是这样的：

• 竞价量比：满分25分，量比大于2给25分，1.5到2之间给15分，小于1.5不给分。
• MACD背离：满分25分，出现底背离给25分，出现隔堆背离给15分，没有背离不给分。
• 斐波那契位置：满分25分，竞价价格在0.5到0.618之间给20到25分，在0.382到0.5之间给15分，低于0.382直接一票否决。
• 市场情绪延续：满分25分，昨日上涨3%到5%给15分，5%到7%给25分，超过7%不给分，因为离涨停太近了，今天加速空间有限。

总分在85分以上的票，才进入最终关注名单。我一般每天早上从候选池里最多筛出三到五只，超过五只就只选评分排名前五的。

这套评分体系的好处是把“感觉”变成了可回测的规则。你在任何一天问自己为什么买这只票，你都能用一张表格回答出来：量比是多少、背离是什么类型、价格在哪个斐波那契位置、评分多少分。答不上来的交易，本质上就是赌博。

3. Python实现：从抓数据到出信号的完整代码

3.1 环境准备和数据源选择

先说明一下，我不能帮你去接任何不合法或灰色的数据通道，我用的是公开可用的行情数据接口。你可以用免费的akshare、tushare，或者自己从券商的行情软件里导出日线数据。实盘级别我建议用付费的质量更好的数据源，竞价阶段的数据很多免费接口是抓不到的。

代码层面你至少需要这些依赖库：

pip install pandas numpy akshare

我自己习惯用akshare来获取日线数据和实时行情，因为它是纯Python调用，简单直接，不依赖本地数据库。如果做回测，我会用更完整的本地数据库，把历史日线数据存成csv或者Parquet格式，加快读取速度。

3.2 计算MACD背离检测函数

MACD的计算不难，关键是背离的检测逻辑。我之前写的函数大概是这样的，你可以直接用：

def compute_macd(df, fast=12, slow=26, signal=9): close = df['close'] ema_fast = close.ewm(span=fast, adjust=False).mean() ema_slow = close.ewm(span=slow, adjust=False).mean() dif = ema_fast - ema_slow dea = dif.ewm(span=signal, adjust=False).mean() hist = dif - dea return dif, dea, hist def find_low_points(hist, order=5): # 寻找最近一段时间的局部低点索引 lows = [] for i in range(order, len(hist)-1): if hist[i] == min(hist[i-order:i+order+1]): lows.append(i) return lows[-4:] # 取最近4个低点 def detect_divergence(df, recent_days=30): dif, dea, hist = compute_macd(df) sub_hist = hist.iloc[-recent_days:] lows = find_low_points(sub_hist.values) if len(lows) < 2: return False # 判断最后两个低点的价格与柱值是否背离 price1 = df['close'].iloc[lows[-2]] price2 = df['close'].iloc[lows[-1]] hist1 = sub_hist.iloc[lows[-2]] hist2 = sub_hist.iloc[lows[-1]] if price2 < price1 and hist2 > hist1: return True return False

代码里的核心逻辑就是遍历局部低点，比较价格和柱状值的方向。订单order取5，代表五根K线内没有更低点才算一个局部低点。这也是一种平滑方式，不会因为你用一根K线的最低点判断而带来太多假信号。如果你的数据源有复权因子，记得用前复权价格，否则除权日附近MACD会突变，背离判断就完全失真了。

3.3 计算斐波那契关键位置

斐波那契位置的计算本身很简单，难的是取哪一段高低点。我用的方案是滚动60日窗口，意思是只看最近60个交易日，不往前看太远。周期太长了，那些历史高低点跟当前博弈的筹码已经没啥关系了。

def fibonacci_levels(df, window=60): high = df['high'].iloc[-window:].max() low = df['low'].iloc[-window:].min() diff = high - low levels = { '0.382': high - 0.382 * diff, '0.5': high - 0.5 * diff, '0.618': high - 0.618 * diff, '0.786': high - 0.786 * diff, } return levels def get_price_position(price, levels): if price >= levels['0.618']: return 'above_618' if price >= levels['0.5']: return 'at_50' if price >= levels['0.382']: return 'at_382' return 'below_382'

这里有个细节：如果一只票昨天大涨，今天竞价高开已经超过了0.618位置，你可能直接认为是最强信号，但实际上到了那个位置反而应该谨慎。上面这段代码的返回值就是在给后面的评分函数提供信息，让它决定是加高分还是直接提示风险。

3.4 综合评分主流程：每天盘前跑一遍

下面是完整的男人流程伪代码，实际使用时会接入数据抓取模块：

def evaluate_stock(code, df_daily, auction_data): # 1. 计算MACD背离 has_divergence = detect_divergence(df_daily) # 2. 计算斐波那契位 levels = fibonacci_levels(df_daily) position = get_price_position(auction_data['price'], levels) # 3. 检查量比 volume_ratio = auction_data['volume_ratio'] # 4. 检查昨日涨幅 prev_pct = df_daily['close'].iloc[-1] / df_daily['close'].iloc[-2] - 1 score = 0 if volume_ratio >= 2: score += 25 elif volume_ratio >= 1.5: score += 15 if has_divergence: score += 25 if position == 'at_50': score += 20 elif position == 'above_618': score += 18 # 注意这个位置要结合量比，否则风险很高 elif position == 'at_382': score += 12 else: return 0 if 0.03 <= prev_pct <= 0.05: score += 15 elif 0.05 < prev_pct <= 0.07: score += 25 return score

这个函数就是整个策略的心脏。每天9:24拉一次数据，所有股票跑一遍，按分数从高到低排出前五只，然后你手动点开K线图做二次确认。为什么不全自动下单？因为模型永远无法处理突发消息和停牌风险，最后一公里的决策必须留给人。

我提醒一下，代码里最后那部分“二次确认”不是客气话。我现在就算模型评分给出90分的票，盘前也要花十几秒钟看一眼K线形态。如果发现昨天涨停是因为某个突发消息，今天竞价高开但MACD背离信号其实来自更早的K线，我就会手动剔除。模型负责筛选，人负责做矛盾的裁决。

4. 回测与实盘验证：胜率、盈亏比和最大回撤怎么评估

4.1 回测框架怎么搭

很多人一谈回测就想到复杂的框架和深度学习，其实做短线策略回测，最核心的东西就三件事：定义清楚买入价、定义清楚卖出价、定义清楚止损。

我的简单做法是，用开盘集合竞价生成的信号作为买入信号，买入价按照9:25撮合产生的开盘价计算。卖出规则分两套，一套是止盈止损策略，买入后如果盘中冲到7%，直接卖出；如果跌破-3%止损线，无条件出局。另一套是尾盘清仓策略，只要没有涨停封住，就在14:50左右卖出，无论盈亏。

回测的评估指标我最看重三个：胜率、盈亏比、最大回撤。胜率告诉你做十次对几次，盈亏比告诉你对的时候赚多少、错的时候亏多少，最大回撤告诉你最差的连续亏损期你能不能扛住。这三个指标结合起来看，才有意义。单独看胜率毫无意义，60%胜率但盈亏比0.5，长期下来照样是亏钱的。

4.2 一组样本结果对比

为了方便展示，我截取了我自己历史回测中的一组样本，对比一下加入斐波那契和背离信号前后的差异。

可以看到，加入背离和斐波那契后，交易次数变少了，但胜率和盈亏比都有明显提升。这就是这套组合策略的价值所在：它不负责帮你多做单，它负责帮你过滤掉低质量的单子。以前一个月可能进场二十次，现在可能只有十次，但每次的质量高了，总收益反而更稳。

4.3 一个需要反复强调的结论

回测数据好不代表实盘一定能赚，这里有三个客观原因需要心里有数。

第一，回测里没有考虑冲击成本。你按开盘价买入，但集合竞价撮合结束前，你要是挂单太晚，可能买在开盘价偏高的位置。尤其小盘股，开盘前几秒价格波动特别大，实际成交价和“开盘价”经常有偏差。

第二，回测没有考虑盘中的黑天鹅。比如某只票前一天刚发了利好公告，你一早就进去了，结果盘中突发大股东减持公告，直接砸下来好几个点。这种消息驱动的下跌，模型完全预测不了。

第三，参数过拟合。模型里的量比阈值、背离扫描窗口、斐波那契周期，都是我在历史数据上调出来的。过分优化会让它在特定市场环境下表现得很好，但换个市场风格可能就失效了。所以我每隔一个月会检查一次这些参数，看看当前市场环境是否还有效。

5. 常见问题与避坑实录

5.1 竞价量比和成交额的陷阱

很多人看完前面的规则，以为量比越大越好，这是新手最容易踩的坑。一只票如果昨天成交额才几千万，今天竞价成交量稍微放大一点，量比可以直接飙到十几倍，但这种量比是“矮子里面拔将军”，不说明真实资金关注度。

我的经验是看绝对金额和相对量比同时过关才行。成交额至少1000万，量比至少1.5，这两个条件缺一不可。另外我建议加一个“昨日是否放过量”的校验——如果昨天已经放出近期天量，今天竞价继续放量并不是好事情，反而有可能是资金趁热度出货。这个校验我在代码里也有体现，就是昨天换手率不能超过15%。

5.2 一字板和秒板怎么处理

策略偶尔会把一字板或者秒板的票筛出来，竞价阶段看着一切都好，但9:25一过直接封死涨停，你根本买不进去。这种信号在回测里不会体现问题，因为你用开盘价去回测能成交，但实盘根本没法成交，这就会高估策略的收益。

处理方法有两个：一是在候选池过滤阶段排除掉昨天已经涨停或者今天竞价高开超过5%的票。二是如果确实遇到了这种情况，就把它当作“假信号”处理，后续开盘后的所有涨跌你都不要参与，不要因为“它已经涨停了”就觉得错过了一万。纪律就是纪律，错过不可怕，追高才是大问题。

5.3 参数过拟合，别天天去调阈值

策略跑一段时间亏了钱，很多人第一反应是去调整量比阈值、背离参数或者斐波那契周期。我自己早年就干过这种事，结果越调越糟糕。参数调优不是不行，而是要建立一套流程，不能拍脑袋改一个数字。

我的方法是：先把策略固定下来跑2到3个月，中间无论盈亏都不动参数。等积累100笔以上的交易记录后，再做一次系统性回顾。如果某个区间的胜率出现了明显下降，先找外部原因，比如市场整体横盘、题材真空期、政策窗口等。实在找不到理由，再考虑改动一个参数，并且用过去两年的数据做完整回测验证，确认不是只对最近行情有效才更新。这样做的好处是，你的策略每一次调整都有据可查，不是靠感觉。

5.4 资金管理和止损细节

最后说一个容易被忽略的细节，止损线到底设多少。我前面提到我自己用的是-3%的止损线，但这不是固定不变的。如果你的买入价离当天最低点很近，说明你是买在相对低位，止损可以放宽到-4%；如果你的买入价离斐波那契0.618位置很近，说明你是买在压力位附近，止损应该收紧到-2%。

换句话说，止损的宽度取决于你买入位置的“安全边际”。这个思路比死板的固定百分比止损要合理得多。另外我建议每笔交易的仓位控制在总资金的10%以内，单日最多同时持有3只票，这样即使连续遇到3次止损，整体回撤也控制在9%以内，不会影响后续的操作心态。

我在实际操作中还有一个习惯：收盘后不管今天有没有交易，都会把当天9:25前的竞价截图保存下来，存在本地文件夹里，标注好当时的评分和决策。前两天回头看历史记录，你会发现很多当时觉得“不合理”的亏损单，其实早在竞价阶段就有征兆——只是当时你的模型没把这些征兆量化进去。把这些案例积累多了，你的模型会越来越接近你对市场的真实理解。