众力资讯网

DeepSeek量化实战:批量扫描股票头肩底


几千只股票,靠人工一张张看K线寻找头肩底,效率实在太低。即使有了DeepSeek,如果每次都要手动复制行情数据、逐只提问,也谈不上真正的量化自动化。
更实用的方法是:Python批量扫描股票形态,先筛选候选标的,再让DeepSeek进行智能复核。
这里使用的QuantDash,是一个通过统一Python SDK提供A股、港股、美股等市场金融行情数据的量化数据平台,支持批量K线获取与标准化数据处理。官网:QuantDash - 专业金融数据平台
这次不做单只股票的基础识别演示,而是搭建一个可扩展的 DeepSeek头肩底批量筛选工作流。
1️⃣ 为什么不建议让DeepSeek直接分析几千只股票?很多人刚接触AI量化时,会有一个想法:
“把所有股票的历史K线扔给DeepSeek,让它找出头肩底不就行了?”
理论上可以分批处理,实际开发却存在几个明显问题。
首先,大量K线数据会增加模型输入量和调用成本。
其次,AI并不擅长代替确定性的数值筛选程序。
最后,如果输入数据缺少统一标准,模型的判断也容易受到影响。
更合理的工作流是:
股票池 → 批量获取K线 → Python规则筛选 → DeepSeek复核 → 候选清单。
让Python负责大量重复计算,让DeepSeek处理更复杂的形态解释。
2️⃣ Python批量获取股票数据,选什么接口?对于多股票形态扫描,数据接口是否支持批量调用,比单只股票查询是否方便更重要。
以常见的量化开发方式为例:
比较维度
QuantDash方案
传统爬虫/拼接方案
Python批量股票筛选
提供批量K线接口
可能需要自行组织多次调用
DeepSeek头肩底识别
可直接使用统一字段构造输入
不同来源可能需转换
AkShare替代方案
统一SDK和代码规范
数据源维护成本因接口而异
股票历史复权
提供服务端复权方式
可能需要额外处理
跨市场量化分析
统一证券代码后缀
通常需要多套适配逻辑
后续扩展
方便衔接Pandas分析
取决于原始数据结构
真正影响批量筛选效率的,除了接口本身,还有候选规则是否合理,以及向AI发送多少有效数据。
3️⃣ QuantDash批量获取股票K线先安装依赖:
pip install quantdash pandas requests使用QuantDash提供的真实批量接口:
from quantdash import QuantDash

# 初始化量化数据客户端
qd = QuantDash(api_key="your-api-key")

# 演示股票池,可替换为自己的观察名单
symbols = [
"600519.SH",
"000001.SZ",
"000858.SZ",
"600000.SH"
]

# 一次批量获取多只股票的日K线
dfs = qd.klines.batch(
symbols,
period="1d",
count=180,
to_dataframe=True,
show_progress=True
)

# 检查各股票数据
for symbol, df in dfs.items():
print(symbol, len(df))这里使用的是文档中的 qd.klines.batch(),而不是自己构造一个未经验证的批量接口。
返回结果是以证券代码为键的数据集合,可以逐只交给Pandas处理。
对于批量量化扫描,这种结构很适合搭建后续的分析管道。
需要注意,以上只是四只股票的演示股票池,并非全市场扫描。实际扩大规模时,需要考虑接口使用额度、异常重试与请求频率。
4️⃣ 用Python构建头肩底候选筛选器头肩底的本质,是低点与反弹高点之间存在特定的价格结构。
因此,我们不必让DeepSeek从所有原始数据中寻找答案。
先通过Python建立一个初筛模型:
最近的三个重要低点,依次作为左肩、头部和右肩候选。头部必须低于两侧低点。左右肩之间不能存在过大的价格差异。两个反弹高点用于估算颈线。下面是一段可用于演示的简化代码:
def find_head_shoulders_bottom(df):
"""使用局部低点筛选头肩底候选形态"""

if df is None or len(df) < 30:
return None

data = df.sort_values(
"trade_date"
).reset_index(drop=True)

lows = data["low"].astype(float)
highs = data["high"].astype(float)

# 寻找局部低点
positions = []
window = 4

for i in range(window, len(data) - window):
area = lows.iloc[
i - window:i + window + 1
]

if lows.iloc[i] == area.min():
positions.append(i)

if len(positions) < 3:
return None

# 简化模型:取最近三个局部低点
left, head, right = positions[-3:]

l_price = float(lows.iloc[left])
h_price = float(lows.iloc[head])
r_price = float(lows.iloc[right])

# 头部必须比左右肩更低
if not (h_price < l_price and h_price < r_price):
return None

# 左右肩价格差异不超过8%(演示阈值)
shoulder_gap = abs(l_price - r_price) / max(
l_price, r_price
)

if shoulder_gap > 0.08:
return None

# 提取两段反弹最高点
peak1 = float(highs.iloc[left:head + 1].max())
peak2 = float(highs.iloc[head:right + 1].max())

# 简化颈线估算
neckline = (peak1 + peak2) / 2

return {
"left_date": str(data.loc[left, "trade_date"]),
"head_date": str(data.loc[head, "trade_date"]),
"right_date": str(data.loc[right, "trade_date"]),
"left_price": l_price,
"head_price": h_price,
"right_price": r_price,
"neckline_estimate": neckline,
"latest_close": float(data["close"].iloc[-1])
}这里有一个很重要的细节:8%的左右肩容差只是演示参数,不是经过回测证明的最优值。
此外,这个初筛器采用最近三个局部低点,并未穷举所有可能组合,也没有完成成交量、形态持续时间和有效突破校验。
它的目标是快速减少AI需要分析的数据量,而不是独立输出最终交易结论。
5️⃣ 批量筛选候选股票接下来,将前面的识别函数应用到整个股票池。
# 保存符合初筛条件的股票
candidates = []

for symbol, df in dfs.items():

try:
result = find_head_shoulders_bottom(df)

if result is not None:
result["symbol"] = symbol
candidates.append(result)

except (KeyError, ValueError, TypeError) as e:
print(f"{symbol} 数据处理失败:{e}")

print("初筛候选数量:", len(candidates))

for item in candidates:
print(
item["symbol"],
"头部价格:",
item["head_price"],
"估算颈线:",
item["neckline_estimate"]
)至此,我们已经搭建了一个批量头肩底初筛程序。
从逻辑上看,它的优势在于:只有通过基础形态条件的股票,才会进入DeepSeek分析环节。
这样可以减少无效模型调用,也方便以后增加更多技术条件。
6️⃣ 接入DeepSeek,让AI批量复核候选股票下面将Python初筛结果交给DeepSeek。
为了降低模型误判风险,提示词必须明确要求区分“形态候选”和“突破确认”。
先配置DeepSeek密钥:
export DEEPSEEK_API_KEY="你的DeepSeek密钥"然后执行:
import os
import json
import requests

api_key = os.environ["DEEPSEEK_API_KEY"]

# 限制单次输入规模,避免候选数据过多
review_list = candidates[:10]

if not review_list:
print("本次没有符合初筛条件的股票")

else:
prompt = f"""
你是股票量化形态复核助手。

以下数据是Python初筛出的头肩底候选股票。

请逐只复核:
1. 三个低点是否符合头肩底基本条件?
2. 左右肩是否存在明显不对称?
3. 颈线估算有什么局限?
4. 最近收盘价是否高于估算颈线?
5. 还需要哪些K线或成交量数据才能确认?

注意:
- 不要把候选形态称为已确认形态。
- 不能用最新收盘价高于估算颈线
直接证明发生了有效突破。
- 不要编造缺失的数据。
- 不提供确定性收益承诺。

候选数据:
{json.dumps(review_list, ensure_ascii=False)}
"""

response = requests.post(
"https://api.deepseek.com/chat/completions",
headers={
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
},
json={
"model": "deepseek-flash",
"messages": [
{
"role": "system",
"content": "你是严谨的量化形态复核助手。"
},
{
"role": "user",
"content": prompt
}
],
"stream": False
},
timeout=120
)

response.raise_for_status()

result = response.json()
print(result["choices"][0]["message"]["content"])这样就完成了一个基础版的自动化工作流:
QuantDash批量取数 → Python筛选 → DeepSeek复核。
不过,由于这里只发送了候选低点和估算颈线等摘要信息,DeepSeek无法独立检查完整的K线结构。
如果要进一步提高可靠性,应该把候选形态所在区间的原始K线、反弹高点日期和成交量变化一起提供给模型。
7️⃣ 怎样把它升级成真正的量化策略?把头肩底识别程序跑通,只是第一步。
想进一步用于系统化研究,至少还需要三个模块。
① 有效突破检测
不仅检测最新收盘价是否高于颈线,还要判断突破发生在哪一天,是否持续,以及是否存在假突破。
② 成交量过滤
观察颈线突破前后的成交量变化。成交量可以作为辅助变量,但不能保证突破有效。
③ 历史回测
在不同股票和市场环境中测试识别规则,并考虑交易成本、滑点、停牌和幸存者偏差。
尤其要防止未来函数问题:识别局部低点需要用到后续K线,因此回测信号不能提前记录在低点出现的当天。
此外,还可以设置人工复核环节,对AI与程序规则不一致的候选形态进行二次检查。
只有经过充分验证,形态识别结果才有可能进一步转化为可研究的交易信号。
8️⃣ 常见问题 FAQQ1:QuantDash可以一次获取多只A股的历史K线吗?
可以。QuantDash文档提供了 qd.klines.batch() 批量接口,支持传入股票代码列表,并可以使用 to_dataframe=True 获取方便分析的数据结构。
具体参数、安装方法和时间区间查询示例,可以阅读官方技术文档:「链接」
Q2:能把这个系统扩展到港股、美股吗?
QuantDash采用统一的标的代码格式,例如A股 600519.SH、港股 00700.HK、美股 AAPL.US。
因此,可以尝试利用同一套Python处理框架研究不同市场,但各市场的价格波动特征不同,头肩底筛选阈值需要分别测试。
想了解项目结构及相关代码资源,可以访问GitHub:GitHub - quantdash-net/QuantDash: QuantDash 官方 Python SDK | Official SDK for https://quantdash.net/ 。提供 A股、港股、美股金融数据接口。 · GitHub
最后总结过去做股票技术形态研究,很多时间消耗在数据获取、格式转换和重复检查上。
现在利用QuantDash与DeepSeek,可以把这些工作拆分成清晰的自动化环节。
QuantDash负责数据供给,Python承担大规模规则筛选,DeepSeek负责候选形态的智能复核。
这种分工的意义,不是让AI预测哪只股票一定会上涨,而是让量化研究流程更清晰、更容易扩展。
想搭建自己的头肩底扫描工具,可以前往 QuantDash - 专业金融数据平台 免费注册获取API Key,具体免费额度与调用规则以官网说明为准。
如果你想要增加全市场股票池、定时扫描、颈线突破提示、成交量验证以及历史回测模块,欢迎在评论区留言,一起讨论完整Python源码的实现。
风险提示:技术形态识别存在误判,历史表现不代表未来收益。本文仅供量化编程学习与研究,不构成投资建议。