摘要：这几天刷某音，看到有位博主天天晒自己在 A 股“开超市”的盈利视频。比如6月12日盈利4106元，整个6月目前已经盈利6550元，看得花姐心里直痒痒～那问题来了：在 A 股搞这个“超市模式”，真的像他说的那么赚钱吗？我们还是用实打实的数据来说话
这几天刷某音，看到有位博主天天晒自己在 A 股“开超市”的盈利视频。比如6月12日盈利4106元，整个6月目前已经盈利6550元，看得花姐心里直痒痒～那问题来了：在 A 股搞这个“超市模式”，真的像他说的那么赚钱吗？我们还是用实打实的数据来说话
我定了一个简单的策略：
1、股票市值要介于50到200亿之间
2、股票出现日线底分型（某相邻的3个 K，中间的 K 最低价和最高价是3个 K 中最小值，且中间的 K 收红，这里只做一个简单的判断，不处理 K 线的包含关系）：
3、这个底分型处于近10个 K 线的最低点，如下图：
4、11号和10号 k 相比，如果11号 K 放量（11k 成交 #技术分享量/10K 成交量>=1.3） 5、开仓 K 的开盘价涨幅不超过2%
满足上面5个条件我就买100股。如果开仓以后又出现符合上面5个条件的会继续开仓。期间不设置止损，当股票收益达到某个设定值以后就平仓。
策略有了，接下来看看回测结果。
原计划是根据每天市值动态调整股票池，但是这个数据不好找，于是我简化了下：以2024年6月13日的市值作为筛选基础，选出当时市值在50~200亿之间的所有股票作为股票池
第一次回测我初始资金设置了10万，手续费是5元（买卖一次就花费10元），盈利10%就平仓。回测日期是2024年1月1日到2025年6月13日。
开仓321次，不算没平仓的，盈利221次，胜率68.85%，总收益22.96%，这战绩还不错，相信跑赢了大多数人。
第二次回测，盈利设置成了20%其它的不变。开仓189次，盈利94个，胜率49.74%，总收益20.65%，没有盈利10%的好，不过也差不太多。
接下来是回测代码
首先是行情数据，一开始打算选 baostock 和掘金量化的 API 的，但是下载速度太慢，于是改成从通达信软件直接导出 txt 行情数据。行情文件名如下格式：
读取 txt 行情文件我单独写了一个方法
import pandas as pdfrom datetime import datetimedef read_tdx_txt(file_path, encoding='gbk'): """ 读取通达信导出的 txt 格式行情数据 参数: file_path (str): 文件路径 encoding (str): 文件编码，默认'gbk'（通达信导出文件常用编码） 返回: pandas.DataFrame: 包含日期、开盘价、最高价、最低价、收盘价、成交量的 DataFrame """ columns = ['date', 'open', 'high', 'low', 'close', 'volume','amount'] df = pd.read_csv( file_path, sep=',', encoding=encoding, header=1, skiprows=0, skipfooter=1, engine='python', names=columns, parse_dates=['date'], dtype={ 'open': float, 'high': float, 'low': float, 'close': float, 'volume': int, 'amount': float } ) df.sort_values(by='date', inplace=True) return dfif __name__ == "__mAIn__": file_path = r'F:\tdx_hq\BJ#430198.txt' df = read_tdx_txt(file_path) print(df)回测代码，为了让回测速度快一些，我直接把行情都读取到内存中了，速度是比直接读 TXT 要快很多，感兴趣的可以把代码复制一份自己改改
回测框架逻辑如下：循环所有交易日，检查持仓是否达到止盈条件，满足就平仓，遍历股票池，是否符合“底分型+量价配合”条件，如果符合则开仓，每天记录账户的净值、持仓和现金方便后期统计。
完整代码如下：
import pandas as pdimport numpy as npimport osimport data_utilsinitial_cash = 100000 buy_fee = sell_fee = 5 position_size = 100 data_path = r'F:\tdx_hq' start_date = pd.to_datetime('2024-01-01')stock_pool = pd.read_excel('stock_pool.xlsx')['代码'].astype(str).toliststock_data = {} for stock in stock_pool: df = data_utils.read_tdx_txt(os.path.join(data_path, f'{stock}.txt')) df = df.sort_values('date').reset_index(drop=True) stock_data[stock] = dfportfolio = {} trade_log = daily_account = cash = initial_cashall_dates = sorted( d for d in set.union(*[df['date'].tolist for df in stock_data.values]) if d >= start_date )def is_bottom_fractal(prices): return prices[1] = 0.2: cash += close_price * position_size - sell_fee closed_positions.append(key) for r in trade_log: if r['stock'] == stock and r['buy_date'] == pos['buy_date'] and r['sell_date'] is None: r['sell_date'] = current_date r['sell_price'] = close_price r['return'] = round(ret, 4) breakfor key in closed_positions: del portfolio[key]for stock in stock_pool: df = stock_data[stock] idx_list = df.index[df['date'] == current_date].tolist if not idx_list: continue idx = idx_list[0] if idx 0.02: continue if volume_n1 = open_n * position_size + buy_fee: cash -= open_n * position_size + buy_fee portfolio_key = f"{stock}_{current_date.strftime('%Y%m%d')}" portfolio[portfolio_key] = { 'stock': stock, 'buy_price': open_n, 'buy_date': current_date } trade_log.append({ 'stock': stock, 'buy_date': current_date, 'buy_price': open_n, 'sell_date': None, 'sell_price': None, 'return': None })for key, pos in portfolio.items: stock = pos['stock'] df = stock_data[stock] idx_list = df.index[df['date'] == current_date].tolist if not idx_list: continue idx = idx_list[0] close_price = df.loc[idx, 'close'] stock_value += close_price * position_size daily_account.append({ 'date': current_date, 'cash': round(cash, 2), 'total_value': round(stock_value+cash, 2), 'stock_value': round(stock_value, 2) })trade_df = pd.DataFrame(trade_log) account_df = pd.DataFrame(daily_account)trade_df.to_csv('交易记录.csv', index=False, encoding='utf-8-sig') account_df.to_csv('账户净值.csv', index=False, encoding='utf-8-sig')这个策略虽说比较简单，但胜在清晰易操作，回测效果也挺稳健。特别是第一版策略（10%止盈）胜率高、回撤小，算是一个不错的“短线半自动超市模型”了。
当然，这只是历史回测，未来未必完全复制。但从策略逻辑看，它符合人性的“逢低潜伏、放量买入”的思路，有一定的实操价值。
以前写个策略要花很多时间，现在只要有清晰的想法，扔给 AI 就能快速产出，剩下只需人工检查逻辑、微调参数，大大提高了效率。
今天的策略分享就到这啦，喜欢的粉丝记得点个赞、转发支持一下！
来源：墨码行者