🎯 今日核心问题

  1. 回测里买入的股票,有多少只第二天根本买不到?
  2. 主板 10%、创业板 20%、科创板 20%、ST 5%——这些限制会让动量策略虚高多少?

📖 精读提纲

【一】涨跌停:纸面信号与真实成交之间的鸿沟

如果一只股票明天开盘就封在涨停板上,你的买单排在几十万手封单后面,大概率到收盘都成交不了。可大多数回测框架直接按当日收盘价或次日开盘价买入,仿佛市场随时欢迎你——这个假设对动量类策略是致命的。

原因很清楚:能涨停的,往往正是你的信号选中的。动量因子选出的强势股,第二天涨停的概率远高于随机股票。所以「按开盘价买入」这个假设会系统性地把「买不到的暴利」计入收益。一个真实的例子:用「20 日涨幅最高 + 换手率放大」筛选,回测 2019-2021 年化 42%,其中大约三分之一的收益来自次日一字涨停的票,而这些票在实盘里基本买不到。剔掉买不到的样本后,年化直接掉到 20% 以内。

【二】A股各板块的涨跌幅限制表

2020 年 8 月注册制在创业板落地后,A股涨跌停制度分裂成了几个层级:主板(沪深主板)10%;创业板(注册制后)20%;科创板 20%;ST / *ST 股 5%;北交所 30%;新股上市前 5 日不设涨跌幅(科创板、创业板)。此外,2023 年 4 月全面注册制实施后,主板新股的上市前 5 日也取消了涨跌幅限制。

这个差异必须写进回测:一只创业板股票涨停幅度是 20%,你用 10% 去判定涨停,就会产生大量「假的 10% 涨停」误判,反过来漏掉真正的 20% 封板。更麻烦的是 2020 年 8 月 24 日这个分界点——创业板在这天之前是 10%,之后是 20%。做跨 2020 年的回测,必须按日期切换规则,这是最容易被漏掉的一段。

【三】实战应用:可成交判定与流动性约束

正确的处理方式是给每个买卖信号加一个「可成交过滤」,规则可以写成两条:

买入过滤。如果 T+1 日开盘价 ≥ 涨停价 × 0.999(或涨幅 ≥ 涨停幅度 - 0.5%),视为买不到,跳过;或者按「买入成功率为 0」处理,下一个交易日再尝试。

卖出过滤。如果 T+1 日开盘价 ≤ 跌停价 × 1.001,视为卖不掉,必须继续持有——这是最容易被忽略却最伤回测的一条。2015 年 6 到 7 月千股跌停、2024 年 1 月微盘股连续跌停时,你的止损单全部失效,被迫扛完整个跌幅。回测如果不模拟这一点,最大回撤会被严重低估。真实的 2024 年 1 月微盘股策略:模拟「可以随时止损」的最大回撤 22%,模拟「跌停卖不掉」的最大回撤 38%。

流动性是第二层约束:除了涨跌停,还要看日均成交额。常用规则是「单票下单金额不超过近 20 日日均成交额的 1%」,40 万资金几乎总能满足;但如果策略选到日均成交 1000 万以下的微盘股,单票 2 万就是 0.2%,要开始注意了。

【四】常见误区

💻 代码示例

import pandas as pd
import numpy as np

# a) 按板块与日期确定涨跌幅限制
def limit_ratio(code, date, is_st=False):
    # code 形如 600519 / 000001 / 300750 / 688981 / 8xxxxx
    if is_st:
        return 0.05
    if code.startswith("688"):          # 科创板
        return 0.20
    if code.startswith("300") or code.startswith("301"):
        return 0.20 if date >= pd.Timestamp("2020-08-24") else 0.10
    if code.startswith(("8", "4")):     # 北交所
        return 0.30
    return 0.10                          # 沪深主板

def limit_price(pre_close, code, date, is_st=False, up=True):
    r = limit_ratio(code, date, is_st)
    px = pre_close * (1 + r if up else 1 - r)
    return round(px, 2)                 # 交易所按分四舍五入

# b) 可成交判定
def can_buy(open_px, pre_close, code, date, is_st=False, tol=0.002):
    up = limit_price(pre_close, code, date, is_st, up=True)
    return open_px < up * (1 - tol)      # 开盘即涨停附近则买不到

def can_sell(open_px, pre_close, code, date, is_st=False, tol=0.002):
    dn = limit_price(pre_close, code, date, is_st, up=False)
    return open_px > dn * (1 + tol)      # 开盘即跌停附近则卖不掉

# c) 在回测循环里使用
def simulate(panel):
    # panel 需含: date, code, open, pre_close, is_st, amount_20d
    panel = panel.sort_values(["code", "date"]).copy()
    panel["buyable"]  = [can_buy(r.open, r.pre_close, r.code, r.date, r.is_st)
                         for r in panel.itertuples()]
    panel["sellable"] = [can_sell(r.open, r.pre_close, r.code, r.date, r.is_st)
                         for r in panel.itertuples()]
    # 流动性:下单金额占成交额比例上限 1%
    panel["liq_ok"] = panel.amount_20d > 0
    return panel

# d) 量化「买不到的收益」有多大
def unrealized_gain(panel, signal_col="mom20"):
    # 信号选出的票中, 次日开盘涨停的比例及其后续 5 日平均涨幅
    buys = panel[panel[signal_col] > panel[signal_col].quantile(0.9)]
    blocked = buys[~buys.buyable]
    print(f"信号股 {len(buys)} 只, 其中开盘涨停买不到 {len(blocked)} 只 "
          f"({len(blocked)/len(buys):.1%})")
    return blocked

# 示意输出:
# 信号股 1200 只, 其中开盘涨停买不到 168 只 (14.0%)
# 这 168 只的 5 日平均涨幅比可成交组高 4.2 个百分点

✏️ 今日动手

1) 写一个 limit_ratio 函数,把主板 / 创业板(含 2020-08-24 分界)/ 科创板 / ST / 北交所全部覆盖,用几只真实代码做单元测试:600519、300750、688981、830799。

2) 在你的回测循环里加两道闸:can_buy 和 can_sell。跑一遍看看被拦掉的信号占比——如果动量类策略超过 10%,说明你的原始收益有相当一部分来自「买不到的涨停」。

3) 做一次「跌停卖不掉」的压力测试:把 2015 年 6 月至 7 月、2024 年 1 月设为不可卖出窗口,对比有/无跌停约束时的最大回撤,两个数字都记下来。

🔖 明日预告

明天把前面几天的检查收口:样本内/样本外切分与 Walk-Forward 滚动检验。有了它,你才能在「调过参数」的情况下,仍然得到一个诚实的业绩估计。