8 月 13 日前后半导体、芯片、科创 50、半导体设备这几个关键词又成了资金面讨论的高频词。这篇文章不是行情预测更不是荐股而是把一套完整的“板块跟踪流程”拆成数据获取、指标计算、策略回测、盘前盘后分析四个部分用 Python 全部跑通。如果你也关心半导体设备和科创 50 的走势想自己动手验证策略而不是靠感觉拍板这篇文章可以收藏。先说清楚边界技术分析只是辅助工具所有代码、指标、回测框架都用于学习交流不构成任何投资建议。文章会以“8.13 盯盘”为应用场景演示怎么在当天快速拉取半导体板块和科创 50 指数数据计算常用技术指标并搭建一个最小可用的策略回测脚本。最终你会得到一套可以每日重复运行的本地分析工具箱。1. 半导体板块跟踪的核心指标与数据源先梳理一下标题里几个概念的关系。半导体是产业链的总称芯片是半导体的下游产品半导体设备则是支撑整个芯片制造环节的上游。科创 50 指数则是一个以科创板为样本的宽基指数里面包含不少半导体产业链公司。它们之间的关系是先看行业景气度再看设备端订单最后落到指数走势。做板块跟踪不建议只看单一股票。个股容易受消息面干扰板块指数和行业指数更能反映整体趋势。常用观察维度包括指数点位与涨跌幅成交额与换手率5 日、10 日、20 日均线关系MACD、RSI 等动量指标板块资金流设备端龙头个股的相对强弱数据源方面国内常用的公开接口有 AKShare、Tushare海外有 Yahoo Finance。其中 AKShare 免费、无需注册 token适合做入门级行情获取Tushare 数据更规整但部分接口需要积分权限。对于普通个人研究者推荐先用 AKShare 跑通流程后续再按需切换数据源。数据源是否需要注册数据频率适用场景AKShare不需要日线、分钟线快速验证、个人研究Tushare需要 token日线、分钟线、资金流数据规整、量化回测Yahoo Finance不需要日线指数历史数据补充东方财富网页不需要实时行情盘中快速查看2. 量化分析环境准备这一节的内容偏工程化。建议使用一个独立的 Python 环境避免依赖冲突。推荐 Python 3.9 或更高版本使用 venv 或 conda 创建虚拟目录。# 创建并激活虚拟环境 python -m venv quant_env source quant_env/bin/activate # Windows 下使用 quant_env\Scripts\activate需要安装的库并不多核心是 pandas、numpy、matplotlib、akshare、tushare。pandas 负责数据处理numpy 做数值计算matplotlib 画图akshare/tushare 拉取行情。pip install pandas numpy matplotlib akshare tushare安装完成后可以快速验证数据接口是否正常import akshare as ak # 尝试获取科创50指数日线数据 df ak.stock_zh_index_daily(symbolsh000688) print(df.tail())如果这一步能打印出包含 date、open、high、low、close、volume 的 DataFrame说明环境基本可用。接口名称可能随 AKShare 版本更新而变化遇到调用失败时优先查当前版本官方文档。这套环境没有 GPU 依赖普通办公电脑就能跑。唯一的注意点是网络环境要能正常访问数据源接口部分数据源对请求频率有限制连续拉取时加一点延时更稳妥。3. 获取科创50与半导体板块行情数据行情数据是整个分析的地基。这里给出两个最常用的获取场景一是获取科创50指数日线二是获取半导体板块历史行情。3.1 获取科创50指数日线科创50代码是 000688在 AKShare 中常用sh000688表示。这个接口返回的字段相对稳定包含日期、开盘、最高、最低、收盘、成交量等基础行情字段。import akshare as ak import pandas as pd # 拉取科创50指数历史日线 df_index ak.stock_zh_index_daily(symbolsh000688) # 字段标准化 df_index.rename( columns{ date: trade_date, open: open, high: high, low: low, close: close, volume: volume }, inplaceTrue ) # 将日期列转为标准化格式 df_index[trade_date] pd.to_datetime(df_index[trade_date]) # 只保留最近一年的数据 df_index df_index[df_index[trade_date] 2023-08-01].reset_index(dropTrue) print(df_index.tail(10))拿到数据后可以做两步检查第一判断日期是否连续第二判断收盘价是否存在异常跳变。这两步是数据清洗的前提直接决定后续指标计算的可靠性。3.2 获取半导体板块历史行情板块历史行情在 AKShare 中通常走行业板块接口需要先确认当前版本支持的接口名称。一个常用写法是stock_board_industry_hist_em参数里指定板块名为“半导体”再设置起止日期。# 获取半导体板块历史行情 # 注意接口名称和参数以当前AKShare版本为准 df_semi ak.stock_board_industry_hist_em( symbol半导体, start_date20240101, end_date20240813, period日k, adjust ) print(df_semi.tail(10))如果接口不可用也可以用本地 CSV 文件兜底。比如从行情软件导出半导体板块指数日线数据保存为 CSV 后读取df_semi pd.read_csv(semi_industry_daily.csv, parse_dates[date]) df_semi[trade_date] pd.to_datetime(df_semi[date]) df_semi df_semi.sort_values(trade_date).reset_index(dropTrue)建议在工程目录里固定一个data/raw文件夹存放原始数据一个data/processed文件夹存放清洗后的数据。这样每天增量更新时不会破坏历史数据。4. 技术指标计算MA、MACD、RSI 实战拿到行情数据后下一步就是计算指标。这里给出三个最常用且逻辑透明的指标双均线 MA、MACD、RSI。它们分别从趋势、动能、超买超卖三个角度描述板块状态。4.1 双均线均线的核心用途是观察趋势方向。5 日均线代表短期成本20 日均线代表中期成本。当短期均线运行在长期均线上方时盘面偏强反之偏弱。# 基于科创50指数计算均线 df df_index.copy() df[ma5] df[close].rolling(5).mean() df[ma10] df[close].rolling(10).mean() df[ma20] df[close].rolling(20).mean() # 标记短期趋势状态 df[trend] 震荡 df.loc[df[ma5] df[ma20], trend] 短期偏强 df.loc[df[ma5] df[ma20], trend] 短期偏弱 # 只看最近几天 print(df[[trade_date, close, ma5, ma20, trend]].tail(10))这里有一个容易踩的坑当日收盘时的均线值要等到收盘后才会确定盘中实时计算时均线会随着价格波动不断变化回测时要注意避免使用未来数据。4.2 MACDMACD 是趋势型动量指标由 DIF、DEA 和柱状图组成。DIF 上穿 DEA 通常视为金叉信号下穿视为死叉信号。金叉不一定代表上涨但可以辅助判断短期动能是否转强。# 计算MACD df[ema12] df[close].ewm(span12, adjustFalse).mean() df[ema26] df[close].ewm(span26, adjustFalse).mean() df[dif] df[ema12] - df[ema26] df[dea] df[dif].ewm(span9, adjustFalse).mean() df[macd] (df[dif] - df[dea]) * 2 # 找出最近的交叉点 df[cross] 无 df.loc[(df[dif] df[dea]) (df[dif].shift(1) df[dea].shift(1)), cross] 金叉 df.loc[(df[dif] df[dea]) (df[dif].shift(1) df[dea].shift(1)), cross] 死叉 print(df[[trade_date, dif, dea, macd, cross]].tail(10))4.3 RSIRSI 衡量一段时间内涨跌力量的相对强弱。默认周期是 14常用 70 和 30 作为参考阈值。RSI 超过 70 说明短线偏热跌破 30 说明短线偏冷。# 计算RSI 14 delta df[close].diff() gain delta.clip(lower0) loss -delta.clip(upper0) avg_gain gain.rolling(14).mean() avg_loss loss.rolling(14).mean() rs avg_gain / avg_loss df[rsi14] 100 - (100 / (1 rs)) print(df[[trade_date, close, rsi14]].tail(10))三个指标配合使用逻辑是均线定方向MACD 定动量RSI 观察是否过热或超卖。比如均线偏强、MACD 金叉、RSI 未超过 70可以视为一个相对健康的偏强状态如果均线偏弱、MACD 死叉、RSI 持续在 50 以下则需要警惕继续走弱的风险。5. 量价关系与资金流向观察技术指标只能反映价格自身的运动轨迹。要判断一个板块的上涨是否真实还需要观察成交量。资金面的验证逻辑很简单价格涨、成交额放大代表有资金参与价格涨、成交额萎缩说明可能是无量反弹。对于半导体板块建议重点观察三个指标板块成交额变化换手率龙头个股相对强弱成交额可以从板块行情接口直接获取也可以通过close * volume估算。以科创50为例可以用成交量乘以收盘价得到近似的成交金额但严格来说应该用实际成交额字段。# 观察量价配合情况 df[amount_approx] df[close] * df[volume] # 最近5日量价对比 df[volume_ma5] df[volume].rolling(5).mean() df[amount_ma5] df[amount_approx].rolling(5).mean() # 量价同步判断 df[量价状态] 待观察 df.loc[(df[close] df[close].shift(1)) (df[volume] df[volume_ma5]), 量价状态] 放量上涨 df.loc[(df[close] df[close].shift(1)) (df[volume] df[volume_ma5]), 量价状态] 放量下跌 df.loc[(df[close] df[close].shift(1)) (df[volume] df[volume_ma5]), 量价状态] 缩量上涨 df.loc[(df[close] df[close].shift(1)) (df[volume] df[volume_ma5]), 量价状态] 缩量回调 print(df[[trade_date, close, volume, volume_ma5, 量价状态]].tail(8))资金流接口在 AKShare 中也有提供比如个股资金流、行业资金流但接口参数变化较多。稳妥的办法是先确认当前版本支持的接口再封装到自己的函数里。如果拿不到资金流数据可以用成交额环比变化替代做一次数据降维。量价组合可能的含义注意点放量上涨资金关注度高需要观察是否持续缩量上涨抛压不重但追涨意愿弱容易出现冲高回落放量下跌抛压明显需要警惕趋势转弱缩量回调回踩不破结构是相对健康的回调6. 策略回测用历史数据验证规则“明天策略”听起来很玄但在量化框架里它其实是一个可以被验证的规则。规则不能凭感觉定而是要先在历史数据上做回测看看如果过去一直按这套规则操作结果会怎样。这里演示一个最简单的双均线策略5 日均线上穿 20 日均线时买入并持有5 日均线下穿 20 日均线时空仓。这个策略不追求高收益重点是展示完整的回测流程。import numpy as np # 准备数据 df_bt df_index.copy() df_bt df_bt.sort_values(trade_date).reset_index(dropTrue) # 计算均线 df_bt[ma5] df_bt[close].rolling(5).mean() df_bt[ma20] df_bt[close].rolling(20).mean() # 生成信号5日均线在上方为1否则为0 df_bt[signal] (df_bt[ma5] df_bt[ma20]).astype(int) # 避免未来函数持仓信号延后一天 df_bt[position] df_bt[signal].shift(1).fillna(0) # 计算策略每日收益 df_bt[ret] df_bt[close].pct_change().fillna(0) df_bt[strategy_ret] df_bt[position] * df_bt[ret] # 计算累计收益 df_bt[strategy_cum] (1 df_bt[strategy_ret]).cumprod() df_bt[buy_hold_cum] (1 df_bt[ret]).cumprod() print(df_bt[[trade_date, close, ma5, ma20, position, strategy_cum, buy_hold_cum]].tail(10))回测结束不要只看最后收益还需要统计几个关键数字def evaluate_backtest(df): total_return df[strategy_cum].iloc[-1] - 1 buy_hold_return df[buy_hold_cum].iloc[-1] - 1 # 年化收益估算 trading_days len(df) years trading_days / 250 annual_return (1 total_return) ** (1 / years) - 1 if years 0 else 0 # 最大回撤 drawdown df[strategy_cum] / df[strategy_cum].cummax() - 1 max_drawdown drawdown.min() # 交易次数 trade_days df[position].diff().fillna(0).abs().sum() print(f策略累计收益: {total_return:.2%}) print(f买入持有收益: {buy_hold_return:.2%}) print(f策略年化收益: {annual_return:.2%}) print(f最大回撤: {max_drawdown:.2%}) print(f模拟交易次数: {trade_days}) evaluate_backtest(df_bt)回测结果只代表历史规律不代表未来。A 股板块轮动快半导体又是高波动的方向任何简单策略都会在特定行情下失效。所以回测的意义不是找到“圣杯”而是让自己对规则的优劣势有清晰的认知什么时候该按规则做什么时候规则可能失真。7. “明天策略”的拆解盘前、盘中、盘后分析框架把“明天策略”这四个字落到实处不应该是押注明天的涨跌而是建立一套可重复执行的决策流程。这里给出一个既适合人工盯盘、也适合脚本自动化的分析框架。7.1 盘前准备盘前的主要工作是更新数据、检查信号。每天开盘前 30 分钟可以运行一个 Python 脚本自动拉取前一交易日收盘数据计算均线、MACD、RSI、量价状态然后输出一份格式化报告。# 盘前数据更新与信号汇总示例 def generate_morning_report(): # 这里假设 df 已经是更新到最新收盘的数据 latest df.iloc[-1] prev df.iloc[-2] report f 科创50盘前检查报告 最新收盘: {latest[close]:.2f} 涨跌幅: {latest[close] / prev[close] - 1:.2%} 5日均线: {latest[ma5]:.2f} 20日均线: {latest[ma20]:.2f} 趋势状态: {latest[trend]} RSI14: {latest[rsi14]:.2f} 量价状态: {latest[量价状态]} if latest[close] latest[ma20]: report \n整体状态: 位于20日均线上方趋势偏强\n else: report \n整体状态: 位于20日均线下方趋势偏弱\n return report # print(generate_morning_report())这份报告的价值不是给出买卖点而是帮助复盘昨天的策略执行是否到位。如果昨天制定了“跌破 20 日均线减仓”的规则今天报告显示收盘价已经低于 20 日均线那么盘前就该把这条规则标记为待执行。7.2 盘中监控盘中监控不建议频繁盯分钟线否则容易被噪音干扰。更合理的方式是设置几个关键价格位比如 5 日均线、10 日均线、20 日均线以及前一日高点、低点。价格触碰或者放量跌破关键位时再介入判断。如果你有实时行情接口可以用一个简单的定时任务实现盘中监控import time def check_price_alert(current_price, ma20, alert_drop_ratio0.03): # 当前价相对20日均线跌幅超过3%时告警 if current_price ma20 * (1 - alert_drop_ratio): return 盘中跌破20日均线3%触发告警 return 未触发告警 # 实际使用时按分钟或按5分钟轮询 # current_price get_realtime_price(000688) # print(check_price_alert(current_price, latest_ma20))盘中触发告警不等于马上操作而是提示你去人工复核成交额、板块内其他个股表现以及消息面变化这是把机械规则和人工判断结合起来的折中方式。7.3 盘后复盘盘后复盘是每天最重要的一步。主要回答三个问题今天执行了什么哪些地方和计划不一致不一致的原因是什么可以维护一个简单的交易日志 CSVimport csv from datetime import datetime def write_trade_log(rule_name, signal, detail): with open(trade_log.csv, a, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([datetime.now().strftime(%Y-%m-%d %H:%M:%S), rule_name, signal, detail]) # write_trade_log(均线规则, 减仓, 收盘跌破20日均线)交易日志写久了你会发现自己最容易犯的错误是什么是信号触发后没有执行还是执行时随意改了价格又或是根本没有遵守仓位限制。这些统计价值远大于单次交易的成败。8. 常见问题与风险控制这里把半导体板块量化跟踪中可能遇到的问题列成一张清单。问题现象可能原因排查方式解决方案AKShare 接口报错版本更新接口名变化查看官方文档更新库版本或改用 tushare数据日期不连续法定节假日、停牌检查日期列表用交易日历对齐计算指标出现 NaN滚动窗口期不足查看前20行数据等窗口期积累后处理回测结果突然异常使用了未来数据检查 signal 是否 shift确认信号延后一天盘中接口请求被封请求频率过高设置间隔时间加 time.sleep 并降低频率策略收益与实盘偏差大未考虑手续费和滑点加成本模型回测中加入千分之几的交易成本指标持续钝化行情处于震荡区间观察布林带或波动率切换趋势/震荡判断逻辑风控部分需要单独强调。无论策略是手工执行还是自动化交易都需要先设定三个数字每次投入比例、止损比例、最大连续亏损次数。没有这三项限制再好的策略也会因为一次重仓失误而失去优势。半导体板块波动大设备类企业受产业周期影响更深。一个稳健的做法是把规则验证放在第一位先用小额资金验证规则不追求短期爆发优先确保自己的判断框架能在不同行情里被解释清楚。9. 合规提醒与最佳实践最后这部分是硬性提醒。文章里所有代码、指标、策略示例都只是技术演示不构成投资建议。任何实际交易行为都应当在理解风险、确认合规的前提下由本人独立决策。在工程实践层面有几点建议值得落地第一数据与代码分离。把 AKShare、Tushare 的接口调用集中封装在data_fetcher.py里策略代码不直接依赖数据源。这样即使以后换数据源策略层不用改动。第二固定抽查时间。建议每天收盘后统一更新数据生成指标报告避免盘中数据与收盘数据混用。历史回测全部使用收盘数据盘中只做实时观察。第三保留最小可运行配置。一套最简单的脚本就是三个文件数据下载脚本、指标计算脚本、报告生成脚本。不要一上来就构建庞大的自动交易系统先保证三个文件能稳定跑三个月再说。第四结果复核。任何自动化生成的信号都必须有人工复核环节。尤其是涉及具体操作时账户持仓、可用资金、交易规则这些现实约束必须纳入判断。第五版本管理。行情数据、策略参数、回测结果都要有版本记录。最简单的方式是用日期目录归档例如outputs/20240813/每天生成的文件放到当天目录下方便回溯。8 月 13 日只是又一个普通交易日真正有价值的不是当天涨跌而是你能不能把自己的判断流程固定下来。从环境搭建到数据获取从指标计算到回测验证这套纯本地、零门槛的 Python 工具链可以帮你用结构化方式跟踪半导体、芯片、科创 50 和半导体设备板块。建议先把第一版跑通再逐步增加资金流、个股相对强弱和波动率指标让模型更像你自己的决策框架。