# 我回测了 A 股 10 年的"追涨停"策略，结果可能和你想的不一样

A 股散户圈里有一种玩法叫"打板"——今天某只股票涨停了，明天开盘就买进去，赌它继续涨。

打板选手有一套自己的逻辑：涨停说明有资金强势介入，次日惯性上冲的概率不低，如果能接力涨停就赚 10%，不能涨停就止损出来。听起来赔率不错。

但"听起来"和"跑数据"是两回事。

这篇文章用 AlphaFeed 拉 A 股历史数据，做一个严格的统计回测：涨停之后的第二天、第三天、第五天，平均涨跌是多少？胜率多高？如果严格执行"涨停次日买入"策略，长期下来是赚是亏？

先说结论：**追涨停长期来看大概率亏钱，但细节比你以为的复杂。**

## 1. 找出历史上所有涨停的日子

A 股涨停幅度一般是 10%（创业板/科创板 20%），但实际因为四舍五入，涨幅在 9.5%–10.5% 之间就可以算涨停。

我们先选一组活跃股，拉长期 K 线，找出所有涨停日：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

symbols = [
    "000001.SZ", "600519.SH", "000858.SZ", "601318.SH",
    "002594.SZ", "300750.SZ", "600036.SH", "000333.SZ",
    "601012.SH", "600276.SH", "000568.SZ", "601888.SH",
    "002415.SZ", "300059.SZ", "600809.SH", "000651.SZ",
    "002304.SZ", "300124.SZ", "002475.SZ", "600887.SH",
]

klines = af.klines.batch(
    symbols, period="1d", count=5000,
    adjust="none",   # 用不复权数据，否则涨跌幅会被复权扭曲
    to_dataframe=True, show_progress=True,
)

all_limit_ups = []

for sym, df in klines.items():
    df = df.sort_values("trade_date").reset_index(drop=True)
    df["ret"] = df["close"].pct_change()

    for i in range(1, len(df)):
        if df["ret"].iloc[i] >= 0.095:  # 涨停（含误差）
            all_limit_ups.append({
                "symbol": sym,
                "date": df["trade_date"].iloc[i],
                "close": df["close"].iloc[i],
                "idx": i,
            })

print(f"共找到 {len(all_limit_ups)} 次涨停")
print(f"覆盖 {len(klines)} 只标的")
```

## 2. 涨停次日表现：平均能赚多少？

核心问题：今天涨停，明天买进去，一天能赚多少？

```python
import pandas as pd
import numpy as np
from alphafeed import AlphaFeed

af = AlphaFeed()

symbols = [
    "000001.SZ", "600519.SH", "000858.SZ", "601318.SH",
    "002594.SZ", "300750.SZ", "600036.SH", "000333.SZ",
    "601012.SH", "600276.SH", "000568.SZ", "601888.SH",
    "002415.SZ", "300059.SZ", "600809.SH", "000651.SZ",
]

klines = af.klines.batch(
    symbols, period="1d", count=5000,
    adjust="none", to_dataframe=True, show_progress=True,
)

results = []

for sym, df in klines.items():
    df = df.sort_values("trade_date").reset_index(drop=True)
    df["ret"] = df["close"].pct_change()

    for i in range(1, len(df) - 5):
        if df["ret"].iloc[i] < 0.095:
            continue

        # 涨停次日买入（用次日开盘价）
        if i + 1 >= len(df):
            continue
        buy_price = df["open"].iloc[i + 1]
        if buy_price <= 0:
            continue

        # 次日收益（用次日收盘价）
        ret_1d = df["close"].iloc[i + 1] / buy_price - 1

        # 第3日收益
        ret_2d = df["close"].iloc[i + 2] / buy_price - 1 if i + 2 < len(df) else None

        # 第5日收益
        ret_5d = df["close"].iloc[i + 5] / buy_price - 1 if i + 5 < len(df) else None

        # 是否连板（次日也涨停）
        next_ret = df["ret"].iloc[i + 1]
        is_连板 = next_ret >= 0.095

        results.append({
            "symbol": sym,
            "date": df["trade_date"].iloc[i],
            "ret_1d": ret_1d,
            "ret_2d": ret_2d,
            "ret_5d": ret_5d,
            "is_连板": is_连板,
            "open_pct": (buy_price / df["close"].iloc[i] - 1),  # 次日开盘溢价
        })

rdf = pd.DataFrame(results)

print(f"=== 涨停次日表现统计（{len(rdf)} 次涨停样本）===")
print()

for label, col in [("持有1天", "ret_1d"), ("持有2天", "ret_2d"), ("持有5天", "ret_5d")]:
    valid = rdf[col].dropna()
    print(f"  {label}:")
    print(f"    平均收益: {valid.mean():+.2%}")
    print(f"    中位数:   {valid.median():+.2%}")
    print(f"    胜率:     {(valid > 0).mean():.1%}")
    print(f"    最大赚:   {valid.max():+.2%}")
    print(f"    最大亏:   {valid.min():+.2%}")
    print()
```

### 你可能会看到的结果

在多数统计中，涨停次日的**平均收益接近 0 或微负**，但**中位数通常为负**。这意味着：

- 少数大赚的案例拉高了平均值（连板翻倍的那些）
- 多数情况是小亏：高开低走、开盘冲高后回落
- 胜率大概在 40%–50% 之间——连抛硬币都不如

## 3. 次日开盘溢价：买入成本被抬高了

涨停次日最大的问题不是"涨不涨"，而是**你买不到好价格**。

因为昨天涨停了，今天大家都想买，开盘价往往直接高开 3%–5%。你以为自己在追涨停，其实你在高位接盘：

```python
print("=== 涨停次日开盘溢价分布 ===")
print(f"  平均开盘溢价: {rdf['open_pct'].mean():+.2%}")
print(f"  中位数溢价:   {rdf['open_pct'].median():+.2%}")
print()

bins = [(-1, -0.02), (-0.02, 0), (0, 0.02), (0.02, 0.05), (0.05, 0.10), (0.10, 1)]
labels = ["低开>2%", "低开0-2%", "高开0-2%", "高开2-5%", "高开5-10%", "高开>10%"]

for (lo, hi), label in zip(bins, labels):
    pct = ((rdf["open_pct"] >= lo) & (rdf["open_pct"] < hi)).mean()
    print(f"  {label}: {pct:.1%}")
```

如果次日平均高开 3%，那你买入的一瞬间已经"亏了 3%"。即使当天收涨 2%，你的实际收益是 -1%。

这就是追涨停最大的隐性成本：**你的买入价不是昨天的涨停价，而是今天被抬高后的开盘价。**

## 4. 连板概率：买到第二个涨停有多难

打板选手追求的最大收益来源是"连板"——买进去之后第二天继续涨停。我们来看看概率：

```python
连板率 = rdf["is_连板"].mean()
print(f"=== 连板概率 ===")
print(f"  涨停后次日再涨停的概率: {连板率:.1%}")
print(f"  也就是说，每 {1/连板率:.0f} 次涨停里，大约有 1 次连板")
print()

# 连板 vs 不连板的收益差异
连板组 = rdf[rdf["is_连板"]]
非连板组 = rdf[~rdf["is_连板"]]

print(f"  连板组 (n={len(连板组)}):")
print(f"    次日收益: {连板组['ret_1d'].mean():+.2%}")
print(f"  非连板组 (n={len(非连板组)}):")
print(f"    次日收益: {非连板组['ret_1d'].mean():+.2%}")
```

一般来说，连板概率在 10%–20% 之间。这意味着你打 10 次板，可能只有 1–2 次吃到连板的肉，其余 8 次都在亏开盘溢价和高开低走的差价。

## 5. 什么样的涨停更值得追

不是所有涨停都一样。我们可以按几个维度拆分，看看哪种涨停次日表现更好：

```python
import pandas as pd
import numpy as np
from alphafeed import AlphaFeed

af = AlphaFeed()

# 假设已经有 rdf（上面的结果 DataFrame）

# 维度1: 成交额大小
# 需要在构建 results 时加入成交额字段，这里补充
symbols = list(set(rdf["symbol"].tolist()))
klines = af.klines.batch(
    symbols, period="1d", count=5000,
    adjust="none", to_dataframe=True,
)

enriched = []
for _, row in rdf.iterrows():
    sym = row["symbol"]
    if sym not in klines:
        continue
    kdf = klines[sym]
    kdf = kdf.sort_values("trade_date").reset_index(drop=True)
    match = kdf[kdf["trade_date"] == row["date"]]
    if match.empty:
        continue

    amount = match["amount"].values[0]
    volume = match["volume"].values[0]
    prev_amount = kdf[kdf["trade_date"] < row["date"]]["amount"].tail(20).mean()
    vol_ratio = amount / prev_amount if prev_amount > 0 else 1

    enriched.append({
        **row.to_dict(),
        "amount": amount,
        "vol_ratio": vol_ratio,
    })

edf = pd.DataFrame(enriched)

print("=== 按成交额分组的涨停次日表现 ===")
edf["amount_group"] = pd.qcut(edf["amount"], q=3, labels=["低成交额", "中成交额", "高成交额"])

for group in ["低成交额", "中成交额", "高成交额"]:
    g = edf[edf["amount_group"] == group]
    print(f"  {group} (n={len(g)}): 次日均值{g['ret_1d'].mean():+.2%}  胜率{(g['ret_1d']>0).mean():.0%}")

print()
print("=== 按量比分组的涨停次日表现 ===")
edf["vol_group"] = pd.cut(edf["vol_ratio"], bins=[0, 1.5, 3, 100], labels=["量比<1.5", "量比1.5-3", "量比>3"])

for group in ["量比<1.5", "量比1.5-3", "量比>3"]:
    g = edf[edf["vol_group"] == group]
    if len(g) < 5:
        continue
    print(f"  {group} (n={len(g)}): 次日均值{g['ret_1d'].mean():+.2%}  胜率{(g['ret_1d']>0).mean():.0%}")
```

通常的发现是：

| 涨停类型 | 次日表现 | 解读 |
| --- | --- | --- |
| 缩量涨停（量比低） | 相对较好 | 筹码锁定好，抛压小 |
| 放巨量涨停（量比>3） | 相对较差 | 换手大，可能是拉高出货 |
| 高成交额涨停 | 不确定 | 大盘股涨停少见，统计上有参考价值 |
| 低成交额涨停 | 波动大 | 小盘股弹性高但风险也高 |

## 6. 止损纪律：不止损会怎样

打板选手最重要的规则之一是"错了就砍"。不止损的后果有多严重？我们来对比：

```python
import pandas as pd
import numpy as np

# 模拟三种执行方式
strategies = {
    "无止损（持有5天）": rdf["ret_5d"].dropna(),
    "止损-3%": rdf["ret_1d"].apply(lambda x: x if x > -0.03 else -0.03),
    "止损-5%": rdf["ret_1d"].apply(lambda x: x if x > -0.05 else -0.05),
}

print("=== 止损 vs 不止损 ===")
for name, rets in strategies.items():
    equity = (1 + rets).cumprod()
    total_ret = equity.iloc[-1] - 1
    max_dd = (equity / equity.cummax() - 1).min()
    print(f"  {name}:")
    print(f"    累计收益: {total_ret:+.2%}")
    print(f"    最大回撤: {max_dd:.2%}")
    print(f"    平均单次: {rets.mean():+.2%}")
    print()
```

不止损的结果通常非常难看——因为那些大亏的 case（涨停次日直接跌 5%–8%）会把利润全部吃掉。严格止损会改善结果，但可能从"大亏"变成"小亏"。

## 7. 累计净值曲线：长期跑下来什么样

把每一次"涨停次日买入、收盘卖出"的收益串成净值曲线：

```python
import pandas as pd
import numpy as np

rdf_sorted = rdf.sort_values("date").reset_index(drop=True)

equity = [1.0]
for _, row in rdf_sorted.iterrows():
    ret = row["ret_1d"]
    if pd.isna(ret):
        continue
    cost = 0.0015  # 单边手续费+印花税
    net_ret = ret - cost * 2
    equity.append(equity[-1] * (1 + net_ret))

equity_series = pd.Series(equity)
total_return = equity_series.iloc[-1] - 1
max_dd = (equity_series / equity_series.cummax() - 1).min()

print(f"=== 追涨停策略长期表现 ===")
print(f"  交易次数:  {len(rdf_sorted)}")
print(f"  累计收益:  {total_return:+.2%}")
print(f"  最大回撤:  {max_dd:.2%}")
print(f"  最终净值:  {equity_series.iloc[-1]:.4f}")
print()
if total_return < 0:
    print(f"  结论: 无差别追涨停，长期是亏钱的")
else:
    print(f"  结论: 有正收益，但需要看夏普和回撤是否可接受")
```

加上交易成本之后，结果会更加难看。每次交易都要付万 3 佣金 + 千 1 印花税，打板交易频率高，成本累积很快。

## 8. 这意味着什么

回测结果通常指向几个结论：

**1. 无差别追涨停是负期望的。**

平均次日收益在扣除成本后大概率为负。涨停不是免费的"涨 10%"——你的买入成本被次日高开抬高了，而高开之后回落的概率比继续涨的概率大。

**2. 少数人能赚钱，因为他们不是无差别追。**

真正的打板高手会筛选：首板 vs 二板、题材强度、板块联动、分时走势、封单量。他们追的是特定条件下的涨停，而不是看到涨停就冲。

**3. 追涨停赚钱的本质不是"涨停好"，而是"选股好"。**

如果你能选出明天涨停的票，你当然赚钱。但这和"追涨停"是两回事。追涨停是在涨停已经发生之后买入，这时候信息已经被价格消化了。

**4. 打板的收益分布是极端的。**

少数连板收益很大，多数普通涨停次日是亏的。这意味着你必须交易很多次才能碰到几次大赚，但过程中的亏损会消耗你的本金和心态。

## 9. 如果你还是想研究打板

把上面的分析框架改成你自己的筛选条件，看看特定条件下的涨停是否表现更好：

```python
# 示例：只看"首板"（前一天不是涨停的涨停）
首板 = rdf[rdf["open_pct"] < 0.095]  # 次日不是一字板，说明不是连板后的

print(f"首板次日表现 (n={len(首板)}):")
print(f"  平均收益: {首板['ret_1d'].mean():+.2%}")
print(f"  胜率:     {(首板['ret_1d'] > 0).mean():.0%}")
```

你也可以加入更多筛选维度：

- 板块里同时涨停的个数（题材强度）
- 涨停时间（早盘涨停 vs 尾盘涨停）
- 涨停前的走势（底部涨停 vs 高位涨停）
- 市值区间（小盘涨停 vs 大盘涨停）

每加一个条件，样本量就会减少，但如果剩下的样本显示出稳定的正期望，那可能是一个值得深入研究的方向。

## 10. 你可以用这个方法验证任何"民间策略"

这篇文章的价值不只是"打板赚不赚钱"这一个结论，而是给了你一套验证方法：

```
提出假设 → 定义规则 → 拉历史数据 → 统计收益/胜率/回撤 → 下结论
```

AlphaFeed 可以拉数千根 K 线，支持不复权模式（对涨停分析很重要），批量获取几十只票的数据。有了数据，任何策略假设都可以用同样的方法验证。

下次有人跟你说"这种票明天一定涨"，你不用争论——打开终端，跑一下数据。

## 结语

追涨停是 A 股散户圈最有争议的话题之一。有人靠它赚到过钱（他们的故事你都听过），有人靠它亏到清仓（他们的故事你没听过）。

数据告诉我们的是：**无差别追涨停的长期期望收益为负。** 涨停次日高开低走的概率、交易成本的累积、连板极低的概率，这些因素加在一起，让"看到涨停就追"变成一个负期望的游戏。

但这不意味着所有涨停都不值得关注。如果你有能力在涨停中进一步筛选——通过成交量特征、板块联动、市场情绪、分时结构——那有可能找到正期望的子集。只是，这已经不是"追涨停"，而是"选股"了。

参考文献：

- AlphaFeed 官网：https://alphafeed.org/
- Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


A 股散户圈里有一种玩法叫"打板"——今天某只股票涨停了，明天开盘就买进去，赌它继续涨。

回测了 A 股 10 年的"追涨停"策略，结果可能和你想的不一样

架构设计

A股追涨停策略回测显示：长期无差别追涨停大概率亏损，次日平均收益为负，连板概率仅10%-20%。高开低走和交易成本是主要亏损原因，少数连板收益被多数亏损抵消。有效策略需结合成交量、板块联动等筛选条件，单纯追涨停并非稳定盈利方法。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

回测了 A 股 10 年的"追涨停"策略，结果可能和你想的不一样-腾讯云开发者社区-腾讯云

回测了 A 股 10 年的"追涨停"策略，结果可能和你想的不一样

回测了 A 股 10 年的"追涨停"策略，结果可能和你想的不一样

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐