如何用 Python 判断一只股票是“追涨”还是“抄底”更有效？（收益率自相关检验）

Q: 需要付费吗？

单只历史日线有免费额度；批量给全市场贴标签（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

分析与指标 · 代码验证于 2026-10-02

如何用 Python 判断一只股票“追涨”还是“抄底”更有效？

一句话回答： 看收益率的自相关：lag-1 自相关显著为负说明今天涨明天倾向跌（短期均值回归，抄底/低吸更合理）；显著为正说明涨势会延续（动量，追涨/突破更合理）。用 AlphaFeed 取回前复权日线算日收益率，用 pandas 的 autocorr 与方差比就能量化判断一只票更适合哪类策略。

为什么会有这个问题 / 传统做法的痛点

均值回归（跌了买）和动量（涨了追）是两类相反策略，用错方向越努力越亏。到底该用哪种，不该拍脑袋，而要看这只票的收益率有没有记忆、是什么方向的记忆。收益率自相关正是衡量这种「记忆」的工具。坑在于：要用前复权收益、样本要足够、并关注统计显著性（小样本的自相关可能只是噪音）。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线算收益率

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

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=750,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)
ret = df["close"].pct_change().dropna()

第 2 步：计算各阶自相关

def autocorrs(ret, lags=5):
    return {f"lag{k}": round(float(ret.autocorr(lag=k)), 4) for k in range(1, lags + 1)}

ac = autocorrs(ret, 5)
print("收益率自相关:", ac)

lag1 = ret.autocorr(lag=1)
# 近似 95% 显著阈值：±1.96/sqrt(N)
n = len(ret); thr = 1.96 / np.sqrt(n)
if lag1 < -thr:
    verdict = "显著负自相关 → 短期均值回归（抄底/低吸更合理）"
elif lag1 > thr:
    verdict = "显著正自相关 → 动量延续（追涨/突破更合理）"
else:
    verdict = "自相关不显著 → 短期近似随机游走，别过度拟合方向"
print(f"lag1={lag1:.4f}，阈值±{thr:.4f} → {verdict}")

指标	含义	解读
`autocorr(lag=1)`	相邻日收益相关性	<0 回归 / >0 动量
`±1.96/√N`	95% 显著性近似阈值	超出才算显著
多阶自相关	记忆的衰减/周期	看回归/动量持续几日

第 3 步：方差比（Variance Ratio）辅助判断

def variance_ratio(ret, q=5):
    # VR(q) = Var(q日收益) / (q * Var(1日收益))；<1 均值回归，>1 动量
    r = ret.dropna()
    var1 = r.var(ddof=1)
    varq = r.rolling(q).sum().dropna().var(ddof=1)
    return varq / (q * var1)

for q in (2, 5, 10):
    vr = variance_ratio(ret, q)
    print(f"方差比 VR({q})={vr:.3f} → {'均值回归' if vr < 1 else '动量'}倾向")

第 4 步：批量给一篮子股票“贴标签”

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ", "300750.SZ"]
data = af.klines.batch(codes, period="1d", count=500, adjust="forward", to_dataframe=True)
rows = []
for s, k in data.items():
    r = k.sort_values("trade_date")["close"].pct_change().dropna()
    a1 = r.autocorr(lag=1); t = 1.96 / np.sqrt(len(r))
    tag = "回归" if a1 < -t else ("动量" if a1 > t else "随机")
    rows.append({"symbol": s, "lag1": round(float(a1), 4), "类型": tag})
print(pd.DataFrame(rows).to_string(index=False))

关键坑与注意事项

用前复权收益：除权日伪跳变会污染自相关。
看统计显著性：小样本的自相关易是噪音，用 ±1.96/√N 近似阈值，别把不显著的值当信号。
自相关会随时间变化：某段均值回归、另一段动量，可滚动计算观察稳定性，别用一段结论套所有时期。
日频 vs 其它频率：结论依赖频率，日频回归/动量与周频可能不同。
A 股整体偏弱动量/短期回归：个股差异大，务必逐只检验，别套用笼统结论。
这是方向性参考不是圣杯：自相关只提示适合哪类策略，具体仍需完整回测验证。

常见问题（FAQ）

Q：lag-1 自相关为负代表什么？ A：代表短期均值回归——今天涨明天倾向回落、今天跌明天倾向反弹，这类票做低吸/抄底比追涨更合理。

Q：方差比 VR 怎么解读？ A：VR(q)<1 表示多日收益方差小于单日方差×q，呈均值回归；>1 表示动量延续。与自相关互相印证。

Q：多少样本才够？ A：至少 250+（约一年）日收益，越多越稳。小样本的自相关显著性低，容易误判。

Q：需要付费吗？ A：单只历史日线有免费额度；批量给全市场贴标签（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

判断一只票适合「追涨」还是「抄底」，可用收益率自相关量化：lag-1 显著为负→均值回归（抄底），显著为正→动量（追涨），不显著→别硬套方向。用 AlphaFeed 取前复权日收益，autocorr + 方差比几行就能给个股贴标签。关键是用前复权、看显著性、滚动验证，并最终以完整回测确认。