众力资讯网

DeepSeek实战:自动识别股票分红假跳空


你有没有遇到这种情况:Python 量化程序突然提示某只股票“跳空大跌”,打开行情软件一看,原来当天刚好除息?如果策略把这种价格调整误判为真实下跌,轻则产生错误预警,重则影响整个回测结果。
想用 Python 自动识别股票分红假跳空,其实不用一上来就研究复杂的机器学习算法。QuantDash 是一个为量化交易开发者提供 A 股、港股、美股等市场标准化数据及统一 Python SDK 的金融数据平台,官网 QuantDash - 专业金融数据平台 。我们可以用它获取原始和复权 K 线,通过 Pandas 筛选疑似异常,再交给 DeepSeek 分析,让原本需要人工排查的工作形成一条自动化流程。
1️⃣ 什么是“假跳空”?量化系统为什么容易被骗?先说清楚,“假跳空”不是一个严格的交易所术语。
在本文中,它专门指:
由于除权除息等公司行为,未复权价格序列出现明显断层,但这部分断层不应全部解释为市场交易造成的下跌。
例如,某股票前一天收盘价是 50 元。
公司实施每股派发 2 元现金红利的方案。
忽略税费和其他公司行为,除息参考价近似为 48 元。
如果除息日以 48 元开盘:
未复权价格变化约为 -4%。
但这并不能直接说明股票在开盘时因为利空而损失了 4% 的经济价值。
问题来了。
假设一个 Python 策略这样编写:
if gap_pct < -3:
print("触发跳空下跌预警")这段逻辑本身没有语法错误。
但它没有区分:
公司行为导致的价格调整。正常市场交易形成的向下跳空。公司行为和真实下跌同时发生的情况。所以,仅仅计算价格缺口是不够的。
想让量化系统更聪明,必须让它理解价格变化的背景。
2️⃣ Python自动识别K线异常:先建立筛选规则我们设计一个简单的分析流程。
第一步,获取股票的不复权日 K 线。
第二步,计算开盘价相对前一交易日收盘价的缺口。
第三步,筛选负向跳空达到 3% 的交易日。
第四步,对照相同日期的前复权行情,寻找价格变化幅度的差异。
第五步,把疑似结果交给 DeepSeek 分析。
这里有个非常重要的设计原则:
Python 负责确定性计算,AI 负责解释和辅助判断。
不能让大模型仅凭某根 K 线就直接宣布“这是分红造成的”。
因为公司配股、送转、拆分等行为,同样可能造成价格序列变化。
而且分红除息当天也可能恰好发生真实的市场下跌。
3️⃣ QuantDash批量获取股票K线:一套代码处理多只股票传统量化开发中,从不同数据源批量拉取股票 K 线,往往需要考虑字段名称、日期格式以及不同复权规则。
对于正在寻找 AkShare 替代 K 线接口、Python 股票行情数据 API 的开发者来说,统一的数据格式能减少不少维护成本。
QuantDash 的 klines.batch() 支持一次获取多只股票的 K 线,并以字典形式返回各标的的 DataFrame。
先安装依赖:
pip install quantdash pandas openai在终端设置密钥:
export QUANTDASH_API_KEY="你的QuantDash密钥"
export DEEPSEEK_API_KEY="你的DeepSeek密钥"下面我们选择贵州茅台、平安银行和五粮液作为演示股票池。
这些股票仅作为代码示例,并不意味着它们最近一定出现分红跳空。
import pandas as pd
from quantdash import QuantDash

# 初始化 QuantDash SDK
qd = QuantDash()

# 建立演示股票池
symbols = [
"600519.SH",
"000001.SZ",
"000858.SZ"
]

# 批量获取不复权日K线
raw_data = qd.klines.batch(
symbols,
period="1d",
count=250,
adjust="none",
to_dataframe=True,
show_progress=True
)

# 批量获取前复权日K线
forward_data = qd.klines.batch(
symbols,
period="1d",
count=250,
adjust="forward",
to_dataframe=True
)

# 保存筛选出的异常记录
records = []

for symbol in symbols:
# 数据不存在时跳过
if symbol not in raw_data:
continue

if symbol not in forward_data:
continue

raw = raw_data[symbol].copy()
adj = forward_data[symbol].copy()

if raw.empty or adj.empty:
continue

# 统一交易日期格式
raw["trade_date"] = pd.to_datetime(
raw["trade_date"]
)
adj["trade_date"] = pd.to_datetime(
adj["trade_date"]
)

# 按时间升序排列
raw = raw.sort_values("trade_date")
adj = adj.sort_values("trade_date")

# 合并两种复权口径
df = pd.merge(
raw[["trade_date", "open", "close"]],
adj[["trade_date", "open", "close"]],
on="trade_date",
suffixes=("_raw", "_adj")
)

# 转换价格为数值
for col in [
"open_raw", "close_raw",
"open_adj", "close_adj"
]:
df[col] = pd.to_numeric(
df[col],
errors="coerce"
)

# 获取两种口径的前收盘价
df["prev_raw"] = df["close_raw"].shift(1)
df["prev_adj"] = df["close_adj"].shift(1)

# 计算未复权开盘缺口
df["raw_gap"] = (
df["open_raw"] / df["prev_raw"] - 1
) * 100

# 计算前复权开盘缺口
df["adj_gap"] = (
df["open_adj"] / df["prev_adj"] - 1
) * 100

# 两种口径的开盘缺口差异
df["gap_diff"] = (
df["raw_gap"] - df["adj_gap"]
).abs()

# 筛选疑似公司行为相关跳空
candidates = df[
(df["raw_gap"] <= -3) & (df["gap_diff"]>= 1)
]

for _, row in candidates.iterrows():
records.append({
"symbol": symbol,
"trade_date": str(
row["trade_date"].date()
),
"raw_gap_pct": round(
row["raw_gap"], 2
),
"adj_gap_pct": round(
row["adj_gap"], 2
),
"difference_pct": round(
row["gap_diff"], 2
)
})

# 整理候选结果
report = pd.DataFrame(
records,
columns=[
"symbol",
"trade_date",
"raw_gap_pct",
"adj_gap_pct",
"difference_pct"
]
)

print(report.to_string(index=False))这段代码包含两个用于演示的筛选条件:
条件一:未复权开盘缺口小于或等于 -3%。
表示当天相对前收盘出现明显向下跳空。
条件二:两种复权口径计算出的缺口相差至少 1 个百分点。
表示价格变化可能受到复权调整的明显影响。
注意,这两个阈值是示例规则,不是经过历史检验的最优参数。
实际使用时,还应该根据股票市场、数据频率和策略需求进行调整。
此外,最近 250 根日 K 线也不一定包含符合条件的事件,程序输出空表是正常情况。
4️⃣ DeepSeek量化分析:让AI解释筛选结果拿到候选数据后,再接入 DeepSeek。
这一步我们不是让 AI 直接猜测股票涨跌,而是让它对 Python 已经筛选出的记录进行有约束的解释。
import os
from openai import OpenAI

# 初始化 DeepSeek
client = OpenAI(
api_key=os.environ["DEEPSEEK_API_KEY"],
base_url="https://api.deepseek.com"
)

# 无候选事件时不调用AI
if report.empty:
print("未筛选出符合条件的疑似跳空事件")

else:
# 控制发送给模型的数据量
data_text = report.head(20).to_string(
index=False
)

prompt = f"""
你是一名量化数据质量分析师。

下面是Python筛选出的股票异常跳空记录:

{data_text}

字段含义:
raw_gap_pct:不复权开盘缺口百分比
adj_gap_pct:前复权开盘缺口百分比
difference_pct:两种口径缺口的绝对差值

请完成以下任务:

1. 解释为何这些日期值得检查公司行为。
2. 区分复权调整和真实市场下跌。
3. 逐条说明数据能够支持什么结论。
4. 列出进一步核对现金分红、送转或配股
时需要的数据。
5. 给出量化回测中避免误判的建议。

严格限制:
不能把疑似除权事件直接认定为现金分红。
不得编造股息金额、分红公告或股价。
不能给出确定性的买卖信号。
"""

response = client.chat.completions.create(
model="deepseek-flash",
messages=[
{
"role": "system",
"content": (
"你是严谨的金融数据分析助手,"
"所有结论必须区分事实与推测。"
)
},
{
"role": "user",
"content": prompt
}
]
)

print(response.choices[0].message.content)通过这种方式,可以得到一份以实际筛选记录为基础的自然语言分析。
例如,AI 可以帮助解释:
为什么某个日期的未复权缺口明显大于前复权缺口?
这是否符合公司行为调整的特征?
在什么情况下,复权处理后仍然会出现真实的向下跳空?
但请记住:
DeepSeek 提供的是分析辅助,不是公司行为确认书。
真正判断某个日期是否实施现金分红,还需要核对正式公告和相应的公司行为数据。
5️⃣ 进一步验证:利用除权因子交叉检查QuantDash 还提供除权因子查询接口:
from quantdash import QuantDash

qd = QuantDash()

# 获取贵州茅台的除权因子
factors = qd.klines.ex_factors(
["600519.SH"],
to_dataframe=True
)

# 按日期查看最近的记录
factors = factors.sort_values("trade_date")

print(
factors[
["symbol", "trade_date", "ex_factor"]
].tail(10).to_string(index=False)
)通过除权因子数据,我们能够进一步检查价格调整记录。
不过这里有个容易忽视的细节:
除权因子并不等于现金分红金额。
除权因子体现的是价格调整相关信息,不能仅凭它判断某次公司行为的全部类型和具体现金派息金额。
完整的核验过程,应该把行情数据、除权因子及公司公告联系起来。
这样才不会把“疑似分红跳空”误写为“已确认分红事件”。
6️⃣ Python股票数据接口怎么选?做自动化量化分析时,许多人喜欢直接从网页抓取行情。
这种方式可以作为学习工具,但如果要长期运行,就会遇到一些现实问题:
网站结构可能变化,部分接口可能有访问限制,不同来源的字段也需要额外清洗。
如果再把这些数据送给 DeepSeek,就多了一层风险:
AI 可能把未经正确处理的数据,当成真实的市场异常。
因此,选择数据接口不能只看能不能获取价格,还要看数据规范是否足够清晰。
对比维度
QuantDash方案
传统爬虫/拼接方案
Python股票K线获取
统一
klines
接口
不同来源需要分别适配
批量跳空筛选
支持批量获取K线
可能需要逐只循环请求
前复权与不复权
使用统一
adjust
参数
不同数据源口径可能不同
除权因子查询
提供
ex_factors
接口
需要寻找对应数据来源
DeepSeek自动分析
DataFrame整理后发送
先进行字段清洗与映射
跨市场代码格式
使用统一交易所后缀
可能存在多个代码规范
后续策略维护
减少接口适配工作
可能需要维护爬虫逻辑
需要强调的是,统一 SDK 不等于永远不会出现数据异常或请求失败。
无论使用哪种数据平台,生产级量化系统都应具备异常捕获、数据完整性检查和结果验证机制。
QuantDash 的价值在于提供比较统一的数据访问方式,使开发者可以把更多精力放在策略逻辑本身。
7️⃣ 从一个脚本到自动化量化风控完成以上示例后,还可以进一步扩展为更完整的研究系统。
例如,在每日行情数据更新后执行以下流程:
获取K线 → 计算缺口 → 对比复权数据 → 检查除权因子 → 核对公司公告 → 输出AI分析报告。
对于实盘和回测系统,建议把不同状态明确区分:
疑似公司行为:符合价格和复权差异筛选规则,但尚未核实。已核实公司行为:有对应的官方公司行为资料支持。普通价格跳空:目前没有证据表明由公司行为调整导致。待人工复核:数据缺失或不同来源存在冲突。这几个分类很重要。
因为量化交易最危险的情况之一,就是让未经验证的猜测直接变成自动化交易指令。
自动化应当先提高研究效率,再考虑是否允许影响实际交易。
这也是 Python + QuantDash + DeepSeek 组合值得尝试的原因:
底层数据、计算规则和 AI 解释各自承担明确的职责。
8️⃣ 常见问题 FAQQ1:用QuantDash和DeepSeek能100%识别分红假跳空吗?
不能保证。
QuantDash 能够提供不复权、前复权及除权因子等相关数据,帮助建立疑似事件筛选流程。
但要确认现金分红的发生及金额,还需要核对公司的正式分红公告等信息。
有关 K 线复权、批量获取与除权因子的接口说明,可以查阅官方技术文档:「链接」
Q2:QuantDash可以用同一套Python代码分析A股、港股和美股吗?
QuantDash 使用统一的标的代码形式,例如:
A 股:600519.SH港股:00700.HK美股:AAPL.US这有助于建立统一的数据获取流程。
不过不同市场的分红规则、税费和公司行为制度存在差异,具体分析规则不能完全照搬。
开发者可以通过 GitHub 查看 QuantDash 项目及相关使用资料: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
结语:让AI看懂行情,而不是误读行情很多量化策略的问题,并不是交易逻辑有多复杂。
而是最基础的数据解释出现了偏差。
股票分红后的 K 线跳空,就是一个很有代表性的例子。
只看未复权价格,可能误判市场下跌。
只看前复权价格,又可能忽视实际交易价格与现金分红的处理问题。
把 Python 的规则计算、QuantDash 的标准化行情接口和 DeepSeek 的文本分析能力结合起来,能够让问题排查过程更系统。
如果你也在寻找支持 Python 量化交易、批量 K 线获取、复权数据处理的数据平台,可以了解 QuantDash。
官方网站:QuantDash - 专业金融数据平台
前往官网免费注册,获取 API Key(具体免费额度和使用条件以官网为准),即可开始构建自己的数据分析流程。
想获取完整的 QuantDash + DeepSeek 股票分红跳空自动检测源码?欢迎在评论区留言讨论,也可以分享你在 AkShare、Tushare 或其他行情接口上遇到的数据处理难题。
风险提示:本文为 Python 量化数据分析教程,所列筛选阈值仅用于技术演示,不构成投资建议。实际策略应用前应进行独立验证与充分测试。