简介《黑马王子伏击涨停十八法全》是一份面向股票投资者、尤其是对量学理论和K线形态感兴趣的短线交易者的稀缺技术讲义。资源包共1个doc文档大小13.74MB内容精炼但实战性很强。整份讲义以“接力小双阳”为核心先拆解其典型特征如左右对称的小阳柱通过精准线衔接、底部小W建构、长阳矮柱、阳盖阴以及将军柱/黄金柱等细节再透过“刹车—换档—加油”的节奏解释其根本原理并给出“寻找精准线—寻找小双阳—分析小双阳”的三步观察法最后结合神马股份等真实案例演示如何从量柱、价柱与精准线的组合中发现伏击信号。通过这份文档读者不仅能掌握识别底部接力形态的方法还能理解涨停背后的量价逻辑适合反复研读并用行情软件复盘验证。目前已有387人学习下载值得作为日常看盘选股的参考工具书。1. 拿到《黑马王子伏击涨停十八法(全).doc》先把它当成一个数据清洗任务第一次拿到《黑马王子伏击涨停十八法(全).doc》时大多数人会先翻目录开始做笔记但我会先把这份文档当成数据清洗任务。问题不在内容难懂而在格式太旧正文与表格交错章法命名不统一大量价格形态只能靠文字描述直接复制进 Excel 或 WPS 会丢结构、丢表格。我的处理顺序是先把 .doc 安全转成可解析格式切出十八法章节再整理成结构化规则最后接行情数据做回测和查询。这样十八法才能从一套经验变成可以被版本管理、被验证、被检索的数据资产。这套流程适合量化开发、数据工程师和证券 IT 从业者。2. 用 Python 解析 .doc先把十八法的正文从旧格式里救出来2.1 为什么 python-docx 直接读 .doc 会失败旧版 .docWord 97-2003的文件结构是 OLE2 复合文档内部是一棵“存储 流”的树像一个微型文件系统正文、表格、图片分别放在不同的流里。python-docx 只解析 OOXML也就是 .docx。用 python-docx 直接打开 .doc 大概率会抛PackageNotFoundError因为它在 zip 包里找不到[Content_Types].xml。这不是库的问题是文件格式边界。我一般不在 Python 里直接解析 OLE2而是先用转换器统一转成 .docx。固定成 .docx 而不是 PDF 还有一个好处表格还能拿到单元格结构而不是一坨排好版的文本。下面这张表是几个常见方案的取舍我默认首选 LibreOffice。工具提取内容是否适合批处理注意事项LibreOffice headless正文、表格、样式适合命令行可批量转 docx 保真度最高antiword纯文本适合轻量提取表格内容会拼接错位textract多种格式依赖系统命令安装重跨平台麻烦catdoc文本老牌工具对中文编码支持不稳定LibreOffice 的 headless 模式是我用得最多的主要原因是免费、跨平台对 .doc 的兼容性在开源工具里最好。转换后的 docx 能保留段落顺序也能保留表格的单元格边界对后续解析至关重要。2.2 用 LibreOffice headless 把 .doc 批量转成 .docxmkdir -p converted libreoffice --headless --convert-to docx --outdir converted 黑马王子伏击涨停十八法(全).doc这条命令的参数拆开看--headless表示不启动图形界面适合在服务器或 CI 里跑--convert-to docx指定输出格式--outdir converted是输出目录文件名带空格就必须用引号包住。转换完成后建议用file命令确认产物是 ZIP 格式的 docxfile converted/*.docx如果输出显示Microsoft Word 2007说明转换成功。常见问题是原始 .doc 带密码保护LibreOffice 会直接跳过或报错这种情况下没有通用破解路径只能先用 Word/WPS 另存为无密码版本。另一点要注意文档里的页眉页脚、批注、修订标记在转换后会保留在 docx 的不同 XML 部件里但python-docx默认只读正文主体这部分不会干扰正文抽取。2.3 用 python-docx 读取段落并清洗正文from pathlib import Path from docx import Document doc_path Path(converted/黑马王子伏击涨停十八法(全).docx) doc Document(doc_path) lines [] for p in doc.paragraphs: text p.text.strip() if text and not text.startswith(图): lines.append(text) print(f共解析出 {len(lines)} 个非空段落) print(lines[:5])代码逻辑是遍历doc.paragraphs把每个段落的text属性去首尾空白后加入列表。p.text会拼出该段落所有 run 的文本是获取正文最直接的方式。过滤条件里的startswith(图)是针对图注比如“图 3-1 某形态”有些书稿的图注没有价值但如果你需要保留图注可以去掉这一条。doc.paragraphs拿不到文档里的表格内容而书稿里很可能有“买卖点对照表”“仓位配置表”。这些内容需要单独处理for table in doc.tables: for row in table.rows: row_text | .join(cell.text.strip() for cell in row.cells) if row_text.replace( | , ): lines.append(row_text)这段代码把表格的每一行单元格用|连接成一条文本方便后续章节切分时保持表格数据在同一行内。丢失的是表格的二维结构如果表格本身很重要更稳妥的做法是单独导出 CSV。2.4 用正则把十八法的章节边界切出来章节切分的核心是找“第 N 法”这个模式。先写一个正则扫描所有行匹配到章节头就开启一个新章节后续行归入当前章节直到遇到下一个章节头import re import json rule re.compile(r^\s*第([一二三四五六七八九十百])法\s*[:、]?\s*(.*)$) sections [] current None for idx, p in enumerate(lines): m rule.match(p) if m: if current: sections.append(current) current { id: fmethod_{len(sections) 1:02d}, num_cn: m.group(1), title: m.group(2).strip(), start_line: idx, content: [] } else: if current: current[content].append(p) if current: sections.append(current) with open(sections.json, w, encodingutf-8) as fp: json.dump(sections, fp, ensure_asciiFalse, indent2) print(f共切出 {len(sections)} 个章节)正则里[一二三四五六七八九十百]匹配中文数字所以“第一法”“第十二法”“第十八法”都能命中[:、]?处理标题后的标点(.*)把后续文字保留为标题。这里要注意正则只能做第一轮粗切不能一锤定音因为文档目录里大概率也有一行“第一法双线擒牛”如果不处理目录行会被误判成章节头。我的习惯是先打印lines[:50]找到目录结束的位置再切掉这一段lines lines[目录结束位置:]切完后用 JSON 工具做一次检查python -m json.tool sections.json | head -50如果某些章节的title是空字符串说明正则匹配到了目录中的“第 X 法”但没有跟上标题需要回看start_line人工决定是删除还是合并。提示文档里可能出现“十八法之三”这类变体单靠上面的正则匹配不到需要再加一条规则十八法之([一二三四五六七八九十])并把匹配结果映射到同一结构。3. 把散叙改成规则模板伏击涨停的触发条件与操作边界3.1 为什么需要中间表示而不是直接写回测代码切完章节后得到的还是自然语言不能直接给回测程序消费。人的阅读习惯和程序的执行逻辑差得很远人看到“底部放量”能自动补出很多前提程序必须知道“放量”是指当日成交量大于过去 5 日均量还是 20 日均量。所以我不会马上写回测而是先把每法翻译成一组固定字段。我常用的最小字段集是这 7 个method_id、name、trigger_signals、buy_point、position、stop_loss、market_condition外加一个unsupported_terms存放暂时无法量化的词。固定字段后回测程序只消费trigger_signals和buy_point其他字段用于人工复核和做风控评估。字段类型说明method_idstring每法唯一标识namestring方法名或常用名trigger_signalslist触发条件需要进一步定义成计算逻辑buy_pointstring买入动作描述positionstring仓位约束stop_lossstring止损条件market_conditionstring适用市场环境尽量可量化unsupported_termslist暂时无法量化的词留作备注不建议在字段里直接塞 “close ma20” 这类代码因为那是回测脚本的职责。中间表示只保留人类语言描述编程语言化是下一步单独做的工作。3.2 用 YAML 表达一条可执行的十八法规则YAML 比 JSON 适合维护这种规则带注释能写列表配合 Git 时 diff 很干净。下面是一条示例规则不是对文档原文的照搬只演示字段怎么落地id: method_03 name: 示例-放量平台突破 source_page: 27 trigger_signals: - 放量突破 - 平台整理 buy_point: 次日开盘价买入 position: 三成仓以内 stop_loss: 跌破平台最低价 market_condition: 震荡市 unsupported_terms: - 主力 - 洗盘这里的trigger_signals是列表一个方法可能有多个触发条件它们之间是“同时满足”还是“任一满足”需要约定。我的做法是默认列表中的条件是 AND 关系如果是 OR 关系就在trigger_signals下再拆一个any_of列表。在 YAML 里这样表达trigger_signals: all_of: - 放量 - 突破平台 any_of: - 回踩不破 - 缩量十字星回测脚本读到这一层结构后再映射到具体的判断函数。不要试图在 YAML 里直接写if条件规则模板保持人类可读逻辑留在 Python 里这样才能让人和程序都看得懂。3.3 用关键词模板自动抽取候选信号从文本到 YAML 不能纯手工因为十八法文本量大先自动抽候选再人工校验效率最高。我常用 jieba 分词配合固定关键词表import json import jieba signal_words [放量, 缩量, 涨停, 突破, 回踩, 金叉, 死叉, 均线, 平台, 缺口] position_words [仓位, 半仓, 轻仓, 重仓, 三成, 五成] stop_words [止损, 跌破, 破位, 离场, 卖出] def detect(text): words set(jieba.lcut(text)) sig [w for w in signal_words if w in text or w in words] pos [w for w in position_words if w in text or w in words] stp [w for w in stop_words if w in text or w in words] return sig, pos, stp with open(sections.json, encodingutf-8) as fp: sections json.load(fp) for sec in sections: content \n.join(sec[content]) sig, pos, stp detect(content) print(sec[id], sec[title], | 信号:, sig, | 仓位:, pos, | 止损:, stp)直接子串匹配适合“放量”“止损”这种固定短语分词匹配适合“持续放量”“突破平台”这种组合。jieba.lcut会把句子切成词再用关键词集合取交集能提高召回率。但自动抽取结果只能算是候选不能直接生成规则比如“不跌破”会被拆成“不/跌破”关键词命中跌破后会误导止损条件所以必须人工看上下文。我一般会把候选结果落成 CSV方便在表格里逐条标记是否可用import csv with open(candidates.csv, w, newline, encodingutf-8-sig) as fp: writer csv.writer(fp) writer.writerow([method_id, title, signal_hits, position_hits, stop_hits]) for sec in sections: content \n.join(sec[content]) sig, pos, stp detect(content) writer.writerow([sec[id], sec[title], /.join(sig), /.join(pos), /.join(stp)])这一步的目标是减少手工阅读量而不是完全替代人工。像“缩量下跌”这种描述在回测里还需要拆成“成交量连续 3 日萎缩”和“收盘价连续 3 日下行”才能计算先把拆解结果写进 YAML 的trigger_signals回测脚本才有输入。4. 给十八法接行情数据做最小回测把规则变成胜率4.1 回测前先排掉未来函数信号日与买入日分离未来函数是回测里最隐蔽的问题。常见三种表现当日信号当日成交、用当日最高最低判断当日信号、用未来复权因子整体平移历史价格。A 股 T 日收盘后才能知道 T 日是否放量、是否突破所以信号必须基于 T 日及以前的数据买入只能在 T1 日开盘。如果直接用“当日收盘价买入”或“当日开盘价触发当日开盘价买入”都在隐含未来信息。在 DataFrame 里最简单的处理是shift(-1)把次日开盘价移到信号日再和信号布尔序列做对齐。这样signal为 True 的行成交价是下一根 K 线的开盘价从时间轴上看是严格向后推了一根 bar。要判断一个回测脚本有没有未来函数我会先看成交价是否用了当天的最高、最低、收盘如果用了基本可以判定有未来函数。4.2 用 akshare 拉日线并标记涨停阈值akshare 是免费数据接口不是回测框架上游通常是东方财富或新浪的公开数据。用它拉数据时要注意字段名是中文接口偶尔会调整列名所以函数里要统一 renameimport akshare as ak import pandas as pd def load_daily(symbol000001, start20200101, end20231231): df ak.stock_zh_a_hist( symbolsymbol, perioddaily, start_datestart, end_dateend, adjustqfq ) df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume, 涨跌幅: pct_chg }, inplaceTrue) df[date] pd.to_datetime(df[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) return df df load_daily() print(df.head())参数说明symbol是 6 位股票代码period支持daily、weekly、monthlystart_date和end_date格式是YYYYMMDDadjustqfq表示前复权。前复权适合计算均线和涨跌幅但前复权后的价格不等于历史真实成交价如果要模拟实际成交可以用adjusthfq或原始价格再在计算涨跌幅时另做处理。不同板块的涨停阈值不同不能统一用pct_chg 9.8判断股票类型涨停阈值主板非 ST约 10%主板 ST5%创业板 / 科创板20%北交所30%实际写代码时我一般先按股票代码前缀判断板块再把阈值配置成参数而不是写死在回测里。4.3 放量突破 20 日均线的最小回测下面这个规则不是十八法中的某一法而是从量价突破思路抽象出的通用示例用来演示规则如何变成代码df[ma20] df[close].rolling(20).mean() df[vol_ma5] df[volume].rolling(5).mean() df[signal] (df[close] df[ma20]) (df[volume] df[vol_ma5] * 1.5) df[buy_open] df[open].shift(-1) df[trade] df[signal] df[buy_open].notna() for hold in [1, 3, 5]: future_close df[close].shift(-hold) ret future_close / df[buy_open] - 1 sample ret[df[trade]] if len(sample) 0: continue win_rate (sample 0).mean() * 100 avg_ret sample.mean() * 100 print(fhold{hold}日 胜率{win_rate:.2f}% 平均收益{avg_ret:.2f}% 样本{len(sample)})ma20是 20 日均线vol_ma5是 5 日均量signal要求收盘价站上 20 日均线且当日成交量大于 5 日均量的 1.5 倍。shift(-1)把次日开盘价取到信号日future_close用shift(-hold)取持有 N 日后的收盘价。胜率计算的是这笔信号从次日开盘买入到持有期结束的收益是否大于 0。这里的关键参数是1.5代表放量倍率。调整它会直接影响样本数量和胜率我通常会把它做成命令行参数再跑多组参数默认值建议调整范围ma_window205 / 10 / 60vol_ratio1.52.0 / 3.0hold_days1 / 3 / 5可扩展回测不能只看胜率还要看交易成本。A 股双边佣金加卖出印花税的简化成本约 0.1% 到 0.15%短线持股成本影响很大。在收益里扣掉成本后胜率可能下降好几个百分点所以在输出里我还会保留平均收益胜率和平均收益要放在一起看。4.4 回测结果如何挂回对应方法每次回测跑完结果要能对应回第 3 章的规则编号。我习惯把回测配置和结果写成 JSON{ method_id: method_03, symbol: 000001, start: 20200101, end: 20231231, vol_ratio: 1.5, win_rate: 0.45, avg_ret: 0.006, sample: 120 }这个文件放在backtest/results/下文件名带上规则编号比如method_03_qfq_000001.json。如果第 3 章抽取出的规则还无法直接转成代码我会在methods.yaml里给trigger_signals加一行no_code: true表示这条规则暂不能回测而不是硬塞一个扭曲的实现。5. 把十八法文档、规则和回测结果一起版本化做成可检索的知识库5.1 用 SQLite FTS5 建规则全文索引规则维护到 YAML 之后下一步是让整个文档可检索。我一般用 SQLite FTS5 建全文索引轻量、不用额外起服务。命令行建表sqlite3 rules.dbcreate virtual table rules_fts using fts5( id, name, content, source_page, tokenizeunicode61 );unicode61是 SQLite 默认分词器对中文只按单字切分所以match 放量 AND 涨停可以工作但match 放量涨停这种短语查询效果很差。更实用的做法是在插入数据前用 jieba 分词把结果用空格拼成一列content_seg再对这个字段建 FTS 索引。查询时用snippet函数做高亮select id, name, snippet(rules_fts, 2, em, /em, ...) from rules_fts where content match 放量 AND 涨停;注意AND必须大写中文词之间不需要额外空格。5.2 复盘标记约定与目录结构回测结果不能跑完就扔我建议每次复盘都生成一个 Markdown 记录放在review/目录下文件名为method_03-2025-06-01.md- method_id: method_03 - review_date: 2025-06-01 - status: needs_review - settings: vol_ratio: 1.5 hold_days: 5 - result: win_rate: 0.45 sample: 120 - note: 放量倍率调到 2.0 后样本减少一半胜率没有明显提升这个约定让复盘记录可以用grep status: needs_review review/*.md快速过滤出待处理项。整个仓库的目录结构建议是这样blackhorse-doc/ ├── original/ # 原始 .doc ├── converted/ # 转出的 .docx ├── sections.json # 章节边界 ├── methods.yaml # 人工整理后的规则 ├── backtest/ │ ├── run_backtest.py │ └── results/ └── review/ └── method_03-2025-06-01.md所有代码、规则、回测结果都放进同一个 Git 仓库原始 .doc 作为二进制资产也保留。这样换机器后跑一遍./pipeline.sh就能重新生成sections.json和methods.yaml再执行./run_backtest.py --method method_03 --symbol 000001跑完生成的复盘文件再grep一次status: needs_review就是下一轮要人工处理的方法清单。本文还有配套的精品资源点击获取 
长河君 · 2026/9/18 14:01:31 · 阅读 1.2k 从.doc到量化回测：解析《黑马王子伏击涨停十八法》实战指南
简介《黑马王子伏击涨停十八法全》是一份面向股票投资者、尤其是对量学理论和K线形态感兴趣的短线交易者的稀缺技术讲义。资源包共1个doc文档大小13.74MB内容精炼但实战性很强。整份讲义以“接力小双阳”为核心先拆解其典型特征如左右对称的小阳柱通过精准线衔接、底部小W建构、长阳矮柱、阳盖阴以及将军柱/黄金柱等细节再透过“刹车—换档—加油”的节奏解释其根本原理并给出“寻找精准线—寻找小双阳—分析小双阳”的三步观察法最后结合神马股份等真实案例演示如何从量柱、价柱与精准线的组合中发现伏击信号。通过这份文档读者不仅能掌握识别底部接力形态的方法还能理解涨停背后的量价逻辑适合反复研读并用行情软件复盘验证。目前已有387人学习下载值得作为日常看盘选股的参考工具书。1. 拿到《黑马王子伏击涨停十八法(全).doc》先把它当成一个数据清洗任务第一次拿到《黑马王子伏击涨停十八法(全).doc》时大多数人会先翻目录开始做笔记但我会先把这份文档当成数据清洗任务。问题不在内容难懂而在格式太旧正文与表格交错章法命名不统一大量价格形态只能靠文字描述直接复制进 Excel 或 WPS 会丢结构、丢表格。我的处理顺序是先把 .doc 安全转成可解析格式切出十八法章节再整理成结构化规则最后接行情数据做回测和查询。这样十八法才能从一套经验变成可以被版本管理、被验证、被检索的数据资产。这套流程适合量化开发、数据工程师和证券 IT 从业者。2. 用 Python 解析 .doc先把十八法的正文从旧格式里救出来2.1 为什么 python-docx 直接读 .doc 会失败旧版 .docWord 97-2003的文件结构是 OLE2 复合文档内部是一棵“存储 流”的树像一个微型文件系统正文、表格、图片分别放在不同的流里。python-docx 只解析 OOXML也就是 .docx。用 python-docx 直接打开 .doc 大概率会抛PackageNotFoundError因为它在 zip 包里找不到[Content_Types].xml。这不是库的问题是文件格式边界。我一般不在 Python 里直接解析 OLE2而是先用转换器统一转成 .docx。固定成 .docx 而不是 PDF 还有一个好处表格还能拿到单元格结构而不是一坨排好版的文本。下面这张表是几个常见方案的取舍我默认首选 LibreOffice。工具提取内容是否适合批处理注意事项LibreOffice headless正文、表格、样式适合命令行可批量转 docx 保真度最高antiword纯文本适合轻量提取表格内容会拼接错位textract多种格式依赖系统命令安装重跨平台麻烦catdoc文本老牌工具对中文编码支持不稳定LibreOffice 的 headless 模式是我用得最多的主要原因是免费、跨平台对 .doc 的兼容性在开源工具里最好。转换后的 docx 能保留段落顺序也能保留表格的单元格边界对后续解析至关重要。2.2 用 LibreOffice headless 把 .doc 批量转成 .docxmkdir -p converted libreoffice --headless --convert-to docx --outdir converted 黑马王子伏击涨停十八法(全).doc这条命令的参数拆开看--headless表示不启动图形界面适合在服务器或 CI 里跑--convert-to docx指定输出格式--outdir converted是输出目录文件名带空格就必须用引号包住。转换完成后建议用file命令确认产物是 ZIP 格式的 docxfile converted/*.docx如果输出显示Microsoft Word 2007说明转换成功。常见问题是原始 .doc 带密码保护LibreOffice 会直接跳过或报错这种情况下没有通用破解路径只能先用 Word/WPS 另存为无密码版本。另一点要注意文档里的页眉页脚、批注、修订标记在转换后会保留在 docx 的不同 XML 部件里但python-docx默认只读正文主体这部分不会干扰正文抽取。2.3 用 python-docx 读取段落并清洗正文from pathlib import Path from docx import Document doc_path Path(converted/黑马王子伏击涨停十八法(全).docx) doc Document(doc_path) lines [] for p in doc.paragraphs: text p.text.strip() if text and not text.startswith(图): lines.append(text) print(f共解析出 {len(lines)} 个非空段落) print(lines[:5])代码逻辑是遍历doc.paragraphs把每个段落的text属性去首尾空白后加入列表。p.text会拼出该段落所有 run 的文本是获取正文最直接的方式。过滤条件里的startswith(图)是针对图注比如“图 3-1 某形态”有些书稿的图注没有价值但如果你需要保留图注可以去掉这一条。doc.paragraphs拿不到文档里的表格内容而书稿里很可能有“买卖点对照表”“仓位配置表”。这些内容需要单独处理for table in doc.tables: for row in table.rows: row_text | .join(cell.text.strip() for cell in row.cells) if row_text.replace( | , ): lines.append(row_text)这段代码把表格的每一行单元格用|连接成一条文本方便后续章节切分时保持表格数据在同一行内。丢失的是表格的二维结构如果表格本身很重要更稳妥的做法是单独导出 CSV。2.4 用正则把十八法的章节边界切出来章节切分的核心是找“第 N 法”这个模式。先写一个正则扫描所有行匹配到章节头就开启一个新章节后续行归入当前章节直到遇到下一个章节头import re import json rule re.compile(r^\s*第([一二三四五六七八九十百])法\s*[:、]?\s*(.*)$) sections [] current None for idx, p in enumerate(lines): m rule.match(p) if m: if current: sections.append(current) current { id: fmethod_{len(sections) 1:02d}, num_cn: m.group(1), title: m.group(2).strip(), start_line: idx, content: [] } else: if current: current[content].append(p) if current: sections.append(current) with open(sections.json, w, encodingutf-8) as fp: json.dump(sections, fp, ensure_asciiFalse, indent2) print(f共切出 {len(sections)} 个章节)正则里[一二三四五六七八九十百]匹配中文数字所以“第一法”“第十二法”“第十八法”都能命中[:、]?处理标题后的标点(.*)把后续文字保留为标题。这里要注意正则只能做第一轮粗切不能一锤定音因为文档目录里大概率也有一行“第一法双线擒牛”如果不处理目录行会被误判成章节头。我的习惯是先打印lines[:50]找到目录结束的位置再切掉这一段lines lines[目录结束位置:]切完后用 JSON 工具做一次检查python -m json.tool sections.json | head -50如果某些章节的title是空字符串说明正则匹配到了目录中的“第 X 法”但没有跟上标题需要回看start_line人工决定是删除还是合并。提示文档里可能出现“十八法之三”这类变体单靠上面的正则匹配不到需要再加一条规则十八法之([一二三四五六七八九十])并把匹配结果映射到同一结构。3. 把散叙改成规则模板伏击涨停的触发条件与操作边界3.1 为什么需要中间表示而不是直接写回测代码切完章节后得到的还是自然语言不能直接给回测程序消费。人的阅读习惯和程序的执行逻辑差得很远人看到“底部放量”能自动补出很多前提程序必须知道“放量”是指当日成交量大于过去 5 日均量还是 20 日均量。所以我不会马上写回测而是先把每法翻译成一组固定字段。我常用的最小字段集是这 7 个method_id、name、trigger_signals、buy_point、position、stop_loss、market_condition外加一个unsupported_terms存放暂时无法量化的词。固定字段后回测程序只消费trigger_signals和buy_point其他字段用于人工复核和做风控评估。字段类型说明method_idstring每法唯一标识namestring方法名或常用名trigger_signalslist触发条件需要进一步定义成计算逻辑buy_pointstring买入动作描述positionstring仓位约束stop_lossstring止损条件market_conditionstring适用市场环境尽量可量化unsupported_termslist暂时无法量化的词留作备注不建议在字段里直接塞 “close ma20” 这类代码因为那是回测脚本的职责。中间表示只保留人类语言描述编程语言化是下一步单独做的工作。3.2 用 YAML 表达一条可执行的十八法规则YAML 比 JSON 适合维护这种规则带注释能写列表配合 Git 时 diff 很干净。下面是一条示例规则不是对文档原文的照搬只演示字段怎么落地id: method_03 name: 示例-放量平台突破 source_page: 27 trigger_signals: - 放量突破 - 平台整理 buy_point: 次日开盘价买入 position: 三成仓以内 stop_loss: 跌破平台最低价 market_condition: 震荡市 unsupported_terms: - 主力 - 洗盘这里的trigger_signals是列表一个方法可能有多个触发条件它们之间是“同时满足”还是“任一满足”需要约定。我的做法是默认列表中的条件是 AND 关系如果是 OR 关系就在trigger_signals下再拆一个any_of列表。在 YAML 里这样表达trigger_signals: all_of: - 放量 - 突破平台 any_of: - 回踩不破 - 缩量十字星回测脚本读到这一层结构后再映射到具体的判断函数。不要试图在 YAML 里直接写if条件规则模板保持人类可读逻辑留在 Python 里这样才能让人和程序都看得懂。3.3 用关键词模板自动抽取候选信号从文本到 YAML 不能纯手工因为十八法文本量大先自动抽候选再人工校验效率最高。我常用 jieba 分词配合固定关键词表import json import jieba signal_words [放量, 缩量, 涨停, 突破, 回踩, 金叉, 死叉, 均线, 平台, 缺口] position_words [仓位, 半仓, 轻仓, 重仓, 三成, 五成] stop_words [止损, 跌破, 破位, 离场, 卖出] def detect(text): words set(jieba.lcut(text)) sig [w for w in signal_words if w in text or w in words] pos [w for w in position_words if w in text or w in words] stp [w for w in stop_words if w in text or w in words] return sig, pos, stp with open(sections.json, encodingutf-8) as fp: sections json.load(fp) for sec in sections: content \n.join(sec[content]) sig, pos, stp detect(content) print(sec[id], sec[title], | 信号:, sig, | 仓位:, pos, | 止损:, stp)直接子串匹配适合“放量”“止损”这种固定短语分词匹配适合“持续放量”“突破平台”这种组合。jieba.lcut会把句子切成词再用关键词集合取交集能提高召回率。但自动抽取结果只能算是候选不能直接生成规则比如“不跌破”会被拆成“不/跌破”关键词命中跌破后会误导止损条件所以必须人工看上下文。我一般会把候选结果落成 CSV方便在表格里逐条标记是否可用import csv with open(candidates.csv, w, newline, encodingutf-8-sig) as fp: writer csv.writer(fp) writer.writerow([method_id, title, signal_hits, position_hits, stop_hits]) for sec in sections: content \n.join(sec[content]) sig, pos, stp detect(content) writer.writerow([sec[id], sec[title], /.join(sig), /.join(pos), /.join(stp)])这一步的目标是减少手工阅读量而不是完全替代人工。像“缩量下跌”这种描述在回测里还需要拆成“成交量连续 3 日萎缩”和“收盘价连续 3 日下行”才能计算先把拆解结果写进 YAML 的trigger_signals回测脚本才有输入。4. 给十八法接行情数据做最小回测把规则变成胜率4.1 回测前先排掉未来函数信号日与买入日分离未来函数是回测里最隐蔽的问题。常见三种表现当日信号当日成交、用当日最高最低判断当日信号、用未来复权因子整体平移历史价格。A 股 T 日收盘后才能知道 T 日是否放量、是否突破所以信号必须基于 T 日及以前的数据买入只能在 T1 日开盘。如果直接用“当日收盘价买入”或“当日开盘价触发当日开盘价买入”都在隐含未来信息。在 DataFrame 里最简单的处理是shift(-1)把次日开盘价移到信号日再和信号布尔序列做对齐。这样signal为 True 的行成交价是下一根 K 线的开盘价从时间轴上看是严格向后推了一根 bar。要判断一个回测脚本有没有未来函数我会先看成交价是否用了当天的最高、最低、收盘如果用了基本可以判定有未来函数。4.2 用 akshare 拉日线并标记涨停阈值akshare 是免费数据接口不是回测框架上游通常是东方财富或新浪的公开数据。用它拉数据时要注意字段名是中文接口偶尔会调整列名所以函数里要统一 renameimport akshare as ak import pandas as pd def load_daily(symbol000001, start20200101, end20231231): df ak.stock_zh_a_hist( symbolsymbol, perioddaily, start_datestart, end_dateend, adjustqfq ) df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume, 涨跌幅: pct_chg }, inplaceTrue) df[date] pd.to_datetime(df[date]) df.sort_values(date, inplaceTrue) df.reset_index(dropTrue, inplaceTrue) return df df load_daily() print(df.head())参数说明symbol是 6 位股票代码period支持daily、weekly、monthlystart_date和end_date格式是YYYYMMDDadjustqfq表示前复权。前复权适合计算均线和涨跌幅但前复权后的价格不等于历史真实成交价如果要模拟实际成交可以用adjusthfq或原始价格再在计算涨跌幅时另做处理。不同板块的涨停阈值不同不能统一用pct_chg 9.8判断股票类型涨停阈值主板非 ST约 10%主板 ST5%创业板 / 科创板20%北交所30%实际写代码时我一般先按股票代码前缀判断板块再把阈值配置成参数而不是写死在回测里。4.3 放量突破 20 日均线的最小回测下面这个规则不是十八法中的某一法而是从量价突破思路抽象出的通用示例用来演示规则如何变成代码df[ma20] df[close].rolling(20).mean() df[vol_ma5] df[volume].rolling(5).mean() df[signal] (df[close] df[ma20]) (df[volume] df[vol_ma5] * 1.5) df[buy_open] df[open].shift(-1) df[trade] df[signal] df[buy_open].notna() for hold in [1, 3, 5]: future_close df[close].shift(-hold) ret future_close / df[buy_open] - 1 sample ret[df[trade]] if len(sample) 0: continue win_rate (sample 0).mean() * 100 avg_ret sample.mean() * 100 print(fhold{hold}日 胜率{win_rate:.2f}% 平均收益{avg_ret:.2f}% 样本{len(sample)})ma20是 20 日均线vol_ma5是 5 日均量signal要求收盘价站上 20 日均线且当日成交量大于 5 日均量的 1.5 倍。shift(-1)把次日开盘价取到信号日future_close用shift(-hold)取持有 N 日后的收盘价。胜率计算的是这笔信号从次日开盘买入到持有期结束的收益是否大于 0。这里的关键参数是1.5代表放量倍率。调整它会直接影响样本数量和胜率我通常会把它做成命令行参数再跑多组参数默认值建议调整范围ma_window205 / 10 / 60vol_ratio1.52.0 / 3.0hold_days1 / 3 / 5可扩展回测不能只看胜率还要看交易成本。A 股双边佣金加卖出印花税的简化成本约 0.1% 到 0.15%短线持股成本影响很大。在收益里扣掉成本后胜率可能下降好几个百分点所以在输出里我还会保留平均收益胜率和平均收益要放在一起看。4.4 回测结果如何挂回对应方法每次回测跑完结果要能对应回第 3 章的规则编号。我习惯把回测配置和结果写成 JSON{ method_id: method_03, symbol: 000001, start: 20200101, end: 20231231, vol_ratio: 1.5, win_rate: 0.45, avg_ret: 0.006, sample: 120 }这个文件放在backtest/results/下文件名带上规则编号比如method_03_qfq_000001.json。如果第 3 章抽取出的规则还无法直接转成代码我会在methods.yaml里给trigger_signals加一行no_code: true表示这条规则暂不能回测而不是硬塞一个扭曲的实现。5. 把十八法文档、规则和回测结果一起版本化做成可检索的知识库5.1 用 SQLite FTS5 建规则全文索引规则维护到 YAML 之后下一步是让整个文档可检索。我一般用 SQLite FTS5 建全文索引轻量、不用额外起服务。命令行建表sqlite3 rules.dbcreate virtual table rules_fts using fts5( id, name, content, source_page, tokenizeunicode61 );unicode61是 SQLite 默认分词器对中文只按单字切分所以match 放量 AND 涨停可以工作但match 放量涨停这种短语查询效果很差。更实用的做法是在插入数据前用 jieba 分词把结果用空格拼成一列content_seg再对这个字段建 FTS 索引。查询时用snippet函数做高亮select id, name, snippet(rules_fts, 2, em, /em, ...) from rules_fts where content match 放量 AND 涨停;注意AND必须大写中文词之间不需要额外空格。5.2 复盘标记约定与目录结构回测结果不能跑完就扔我建议每次复盘都生成一个 Markdown 记录放在review/目录下文件名为method_03-2025-06-01.md- method_id: method_03 - review_date: 2025-06-01 - status: needs_review - settings: vol_ratio: 1.5 hold_days: 5 - result: win_rate: 0.45 sample: 120 - note: 放量倍率调到 2.0 后样本减少一半胜率没有明显提升这个约定让复盘记录可以用grep status: needs_review review/*.md快速过滤出待处理项。整个仓库的目录结构建议是这样blackhorse-doc/ ├── original/ # 原始 .doc ├── converted/ # 转出的 .docx ├── sections.json # 章节边界 ├── methods.yaml # 人工整理后的规则 ├── backtest/ │ ├── run_backtest.py │ └── results/ └── review/ └── method_03-2025-06-01.md所有代码、规则、回测结果都放进同一个 Git 仓库原始 .doc 作为二进制资产也保留。这样换机器后跑一遍./pipeline.sh就能重新生成sections.json和methods.yaml再执行./run_backtest.py --method method_03 --symbol 000001跑完生成的复盘文件再grep一次status: needs_review就是下一轮要人工处理的方法清单。本文还有配套的精品资源点击获取