小K线藏着大信号，6行代码就能搭一个“投降信号”筛选器

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。

本文约 4100 字 | 预计阅读 10 分钟，后有完整代码，建议先收藏。

· · ·

6 行代码，跑了 6 年半，1619 个交易日，就筛出 4 天。

拿着这 4 天信号进场，胜率 25%。

随便挑一天进场，胜率 49.2%。

这形态，比瞎蒙还差。

可我手上先有五个完美案例：波音、特斯拉、CSL、微软，全在大跌末端，一根小 K 线压着巨量，扭头就拉起来，一个比一个漂亮。

直到我把第六个，咱们大 A 散户天天盯的 510300，放进去，图直接垮掉。

是不是到了咱们大 A 就水土不服？

今天我手把手把这个 K 线形态筛选器从头搭一遍，拿这六个例子给它验验成色。三个坑我全替你踩了，每坑都有数据，代码文末直接跑。

信不信，看完你自己定。

一、要筛的东西，叫投降日

先说清楚它到底在筛什么。

跌势走到某个时刻，会出现这么一天。K 线实体和影线都很短，最高价减最低价没几个点，成交量却是平时的好几倍。

价格几乎没动，筹码却换了一大波。

关店甩卖最后一天，货全倒出去，价没再降

你可以把它想成一场关店大甩卖。最后一天，老板把剩下的货全搬到门口，半价处理。把想清的货这天全倒出去了，门口接货的排起了队。最后人累瘫在地上，价格牌却没再往下掉。

这就是投降日（Capitulation）。最后一批不肯走的人在这一天认输离场，卖压一次性放完，接的人把单子全吃了。价格窄幅，说明卖再多也没砸出坑。量巨大，说明换手彻底。两个条件叠在一起，就是小 K 线藏着大信号。

先看看骗我上船的那五个。

波音 BA。2026 年 1 月的低点，一根短阴线压着大约 3 倍于周围的量柱。之后直接见底，回到 220 美元上方。

波音，最典型的那一根，短阴线压着约三倍量柱

特斯拉 TSLA。2026 年年中，同一个低点附近，两次投降特征叠在一起。几周内掉头向上。

特斯拉，两次投降特征叠在同一低点

CSL。年内跌势最低点那天，一根放量短阴线。之后一路涨回 170 美元上方。

CSL，量柱压在全年最低点

微软 MSFT。360 美元附近，量柱盖过图上其他任何一天。见底后回到 500 美元上方。

微软，量柱盖过图上其他任何一天

苹果 AAPL。2026 年 1 月的真实低点那天，量能平平，形态压根没出现。

苹果，1 月的真实低点那天什么特征都没有

以上四个成立，一个打脸。苹果这张图倒是提醒了我两件事。

第一，形态不是每个底都有。苹果全年量能最猛的一天出现在 7 月，离 1 月的低点隔了半年。

第二，这根 K 线是红是绿不重要。红的，是卖方压了一下价、买方尾盘接走；绿的，是买方盘中就占上风。关键都在巨量窄幅本身，方向无关。

好，形态讲完了。五个例子摆在一起，你大概跟我想的一样，这东西看着是真有点东西。

第六个例子，我留到我们大 A 天天必看的标的上。

二、起步版，6 行代码

把形态翻成筛选条件，其实就两步。

每天的振幅除以成交量，得到一个比值，它衡量单位成交量推动了多少价格。数值越小，说明越多的量只推动了越少的价格。

再叠一个成交量高于均值，把缩量阴跌的日子排除掉。

① 起步版筛选器

df['Price_Range'] = df['High'] - df['Low']
df['Range_to_Volume_Ratio'] = df['Price_Range'] / df['Volume']
avg_volume = df['Volume'].mean()

days_with_low_ratio = df[
    (df['Range_to_Volume_Ratio'] < 0.00000005) &
    (df['Volume'] > avg_volume)
]

代码短得让人放松警惕，可里面埋着两个坑。

第一个是那个 0.00000005，按苹果的价格和成交量级别手调出来的硬编码，量纲是美元每股。

第二个藏得深一点。分母里的均值是全样本算的，等于今天的信号要靠未来八年的平均量来判定，实盘上你根本拿不到这个数。

还有第三个，它不在代码里，在参数里，等会儿单说。

一个一个拆。

三、第一个坑，量纲

数据先交代。通达信前复权日线，2020 年 1 月 2 日到 2026 年 9 月 4 日，510300 共 1619 根。国内 ETF 用成交量容易被分红除权干扰，我改用成交额，逻辑不变，量纲同理。

把起步版那个 5e-8 原样套上去试试。

② 起步版口径，固定阈值

df['range'] = df['high'] - df['low']
df['ratio'] = df['range'] / df['turnover']      # 成交额替代成交量avg_turn = df['turnover'].mean()

hits = df[(df['ratio'] < 5e-8) & (df['turnover'] > avg_turn)]

结果六年里命中 527 天，占总交易日的 32.6%。

等于没筛。

原因一眼能看穿。510300 的价格在三四块钱，日振幅通常不到一分钱，成交额几十亿。拿振幅除以成交额，中位数只有 0.00000000002，比 5e-8 整整小了三个数量级。

美元股票的阈值，对人民币 ETF 就是一张不过筛的网。

记住这条。凡是带固定阈值的形态筛选器，阈值都是标的量纲的函数，不是规律的参数。换标的不重算，筛出来的就不是信号，是噪音。

四、第二个坑，前视

第二个坑藏在分母里。

起步版那行 avg_volume = df[‘Volume’].mean()，均值是六年半一起算的。意思是 2020 年 1 月 2 日这天有没有信号，要等 2026 年 9 月 4 日收盘之后才知道。

你把未来六年的量平均了一遍，再回头判今天。实盘上这个数根本拿不到。

这类写法在回测里特别讨巧，它悄悄把当时不可能知道的信息喂给了信号，收益曲线平白好看一截。修法不复杂，全样本均值换成滚动 20 日均值，再往后移一天，只用信号发生之前的数据。

量纲顺手一起收拾。振幅除以收盘价，变成振幅百分比。成交额除以自己前 20 日的均值，变成放量倍数。两个指标都无量纲，跨标的能直接比。

③ 修前视，顺手去量纲

df['range_pct'] = df['range'] / df['close']
df['turn_ratio'] = df['turnover'] / df['turnover'].rolling(20).mean().shift(1)

修完再看，同样条件下信号从 5 个变成 4 个。数量差别不大，可方向是脏的。多出来的那一个，是回测拿未来数据给你发的糖。

以后看见回测特别漂亮的东西，先问一句。这个数，当天收盘的时候我算得出来吗。算不出来，就是前视。

五、第三个坑，阈值漂移

两个坑补上了，指标干净了。表出来了，咱们拆数字。

主口径这样定，振幅取全样本最小的 20%，放量倍数取 2 倍。

④ 主口径，窄幅加放量

sig = (df['range_pct'] < df['range_pct'].quantile(0.20)) & (df['turn_ratio'] >= 2.0)

考验在放量倍数上。取 3 倍，六年出 1 个信号。放宽到 2.5 倍，2 个。2 倍，4 个。1.5 倍，13 个。

筛子从”几乎抓不到”到”一堆信号”，只动了 1.5 倍。

哪个是对的。不知道。这个形态没有客观的边界，每个标的、每个参数取法，结论都不一样。筛子的松紧是你在替市场做决定，不是市场在告诉你答案。

六、第六个例子，510300

标尺修好了，该拿它去量了。我拿 2 倍这档做主口径，检验信号质量。6 年 4 个信号，信号次日视为进场点，往后看 10 个交易日。

510300 投降信号分布（窄幅20%分位 × 放量2倍 × 60日线下方）

4 个信号，后 10 日胜率 25%，平均收益负 1.5%。同期全样本随便挑一天往后看 10 日，胜率 49.2%，平均正 0.23%。

还是比瞎蒙差一截。

再按形态的原始语义收紧，要求信号日收盘价站在 60 日均线下方，也就是只认跌势里的投降。6 年只剩 1 个信号，2023 年 12 月 29 日，之后 5 个交易日跌了 4.7%。

样本量 4 个和 1 个，什么都证明不了，它们连”策略无效”都证明不了。它们能证明的只有一件事。

在宽基指数上，这个形态六年只个位数出现，而且出现的几次也都不好看。

七、为什么宽基长不出投降日

答案在形态的成因里。

投降日的本质，是单一标的的筹码在同一天集中换手。一只票的持有人结构相对集中，恐慌的时候大家抢着跑，量能能在一天里冲到平时的五倍十倍，价格因为有人接住而收窄。

个股的情绪是共振的。所以这个形态在波音、特斯拉身上反复出现。

指数是几百只股票的平均。某几十只票恐慌的时候，总有另外一批在涨，整体量能被摊平。六年里，沪深300ETF 成交额放大到前 20 日均值 3 倍以上的日子，一只手数得过来。

指数没有恐慌日，只有持续的低迷。

把个股上总结的形态搬到指数上，等于拿着渔民观察鲸鱼的经验去看鱼群，对象的行为模式根本不同。

标的的行为结构决定筛子的生死，比参数重要得多。所以这套筛子想发挥用处，回个股去，别赖在宽基上。

八、正确用法，观察清单不是自动筛机

到这里，筛子的定位就清楚了。它是入场过滤器，帮你把值得看第二眼的日子捞出来，仅此而已。

落到日常，就三个动作。

筛出来的日子，点开图看第二眼，确认量能是不是真恐慌、位置是不是真在大跌末端。

看过的信号，预设止损，放在信号 K 线的低点下方。

错了，亏一小笔确定的钱；对了，跟的是形态本身的胜率。

机器海选，亲自看图，止损先画好

要防的是反过来用。把手调阈值的观察工具当成自动筛选机，跑到自己没看过的标的上直接认信号。那形态里偶尔混进去的假信号，会一次一次出现在你的持仓里。

顺手给一套验伪三步，以后见到任何形态类筛选器都能用。

第一步，查量纲。阈值里出现 0.00000005 这种数，先问它是谁的量纲。换一个标的重算，信号数量级不变才算过关。

第二步，动阈值。把关键参数上下松 30%，信号数量翻几倍或者归零，说明结论是参数的，不是规律的。

第三步，比基准。信号的事后收益，必须跟全样本随机进场的基准比。不比基准的胜率没有意义，50% 可能是天赋，也可能是行情本身。

三步半小时，能挡掉大部分看起来很美的形态教程。

观点总结

这篇搭完，三层。

形态是真的，投降日在个股大跌末端反复出现，前五个案例没有骗人。

筛子是难的，量纲、前视、阈值漂移，三道坎每一道都能让没准备的人拿到一堆假信号。

标的是命门，宽基指数六年只给个位数样本，事后还跑输随机。这个形态属于个股的恐慌，不属于指数的阴跌。

最后留一个跟数据直接挂钩的问题。你用过的形态筛选器里，有没有换一个标的就完全失灵的？评论区报个名字，我挑几个复现。

完整可运行脚本在文末，数据换成你自己的标的，一分钟出结果。

觉得有用的话，把这篇转给同样在搭筛选器的朋友。

完整复现脚本（复制即用）

# -*- coding: utf-8 -*-

"""
巨量窄幅K线投降信号筛选器（510300，2020-2026）
依赖：pip install pandas numpy matplotlib
数据：把 510300_daily.csv 换成你自己的日线 CSV（列名 date, open, high, low, close + 成交额列）
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False


# ---------- 1. 数据 ----------
df = pd.read_csv("510300_daily.csv", parse_dates=["date"]).set_index("date").sort_index()
df.columns = [c.strip().lower() for c in df.columns]

# 成交额列名各家不一样，amount / turnover / 成交额 都认，取第一个存在的
amt_col = next(c for c in ["turnover", "amount", "成交额", "turn", "amt"] if c in df.columns)
df = df.rename(columns={amt_col: "turnover"})
df = df[df.index >= "2020-01-01"]
df["ret"] = df["close"].pct_change().fillna(0.0)

print(f"共 {len(df)} 根，{df.index[0].date()} ~ {df.index[-1].date()}，成交额列 = {amt_col}")


# ---------- 2. 起步版口径：固定阈值（演示量纲不可迁移） ----------
df["range"] = df["high"] - df["low"]
df["ratio"] = df["range"] / df["turnover"]
hits_orig = df[(df["ratio"] < 5e-8) & (df["turnover"] > df["turnover"].mean())]
print("起步版命中 %d 天 / %d 天 (%.1f%%)" %
      (len(hits_orig), len(df), len(hits_orig) / len(df) * 100))


# ---------- 3. 相对化口径（无量纲，可跨标的，无前视） ----------
df["range_pct"] = df["range"] / df["close"]
df["turn_ratio"] = df["turnover"] / df["turnover"].rolling(20).mean().shift(1)
df["below_ma60"] = df["close"] < df["close"].rolling(60).mean()

# 阈值敏感性：看信号数随参数漂移
narrow = df["range_pct"].quantile(0.20)
for k in [3.0, 2.5, 2.0, 1.5]:
    s = (df["range_pct"] < narrow) & (df["turn_ratio"] >= k)
    print(f"放量>{k}倍: 信号 {int(s.sum())} 个, 叠加60日线下方 {int((s & df['below_ma60']).sum())} 个")

sig = (df["range_pct"] < narrow) & (df["turn_ratio"] >= 2.0)   # 主口径：4 个信号
sig_ma60 = sig & df["below_ma60"]                              # 收紧版：只认跌势里的投降，6 年只剩 1 个
print(f"主口径信号 {int(sig.sum())} 个，叠加60日线下方后 {int(sig_ma60.sum())} 个")


# ---------- 4. 信号质量：次日进场，未来 N 日收益 vs 基准 ----------
def signal_stats(sig, horizon, tag=""):
    outs = []
    for t in df.index[sig.reindex(df.index, fill_value=False)]:
        loc = df.index.get_loc(t)
        if loc + horizon < len(df):
            outs.append(df["close"].iloc[loc + horizon] / df["close"].iloc[loc] - 1)
    base = (df["close"].shift(-horizon) / df["close"] - 1).dropna()
    s = pd.Series(outs)
    if s.empty:
        print(f"{tag} 后{horizon}日：无信号")
        return
    print(f"{tag} 信号数 {len(s)}, 后{horizon}日胜率 {(s>0).mean()*100:.0f}%, "
          f"平均 {s.mean()*100:.2f}%, 基准胜率 {(base>0).mean()*100:.1f}%, "
          f"基准平均 {base.mean()*100:.2f}%")

for h in [5, 10, 20]:
    signal_stats(sig, h, "主口径")
print("--- 收紧版：收盘价在60日均线下方 ---")
for h in [5, 10, 20]:
    signal_stats(sig_ma60, h, "收紧版")


# ---------- 5. 信号分布图 ----------
fig, ax = plt.subplots(figsize=(12.8, 7.2), dpi=150)
ax.plot(df.index, df["close"], color="#5a7fa8", lw=1.0, label="510300 收盘价")
pts = df[sig]
ax.scatter(pts.index, pts["close"], color="#e17055", s=64, marker="v",
           zorder=5, label=f"投降信号（{len(pts)} 个）")
ax.legend()
ax.grid(alpha=0.3)
fig.tight_layout()
fig.savefig("candle_signal_check.png")
plt.show()

#量化回测 #K线形态 #成交量分析 #投降信号 #Python量化 #沪深300ETF #510300 #策略复现 #选股过滤器 #量纲陷阱 #金融工程 #散户防坑

免责声明：本文所有回测数据仅为技术研究用途，历史表现不代表未来。文中不构成任何操作建议，据此操作风险自负。