基于通达信砖型图指标的短线选股策略，捕捉2-3日大涨机会
本项目是一个完整的 A股短线量化选股系统，核心基于通达信砖型图技术指标，结合 VCP（Volatility Contraction Pattern）形态因子 和 K-Means聚类算法，实现动态权重训练和智能选股。
| 特性 | 说明 |
|---|---|
| 🎯 砖型图信号 | 基于通达信砖型图反转指标，捕捉短线爆发点 |
| 🤖 智能聚类 | K-Means自动分类市场状态，不同场景使用不同权重 |
| 📊 全量训练 | 使用270万+历史信号训练，不采样、不丢失信息 |
| ⚡ 一键运行 | 单条命令完成数据更新、信号构建、模型训练、选股全流程 |
| 🔄 自动更新 | 智能判断数据更新时机，避免重复下载 |
| 🛡️ 风险过滤 | 自动过滤ST、退市、数据异常等风险股票 |
- Python 3.11+
- Tushare Pro Token（免费注册）
# 1. 克隆项目
git clone https://github.com/xie-tj/renko.git
cd renko
# 2. 创建虚拟环境
conda create -n renko python=3.11 -y
conda activate renko
# 3. 安装依赖
pip install -r requirements.txt
# 4. 配置 Tushare Token
## Windows PowerShell（推荐）
[Environment]::SetEnvironmentVariable("TUSHARE_TOKEN", "your_token_here", "User")
## 设置后重启终端使环境变量生效
# 5. 首次全量抓取数据（只需执行一次）
python main.py init
# 6. 运行完整流程
python main.py run# 快速测试（只处理前100只股票）
python main.py update --max-stocks 100
python main.py runrenko-short-strategy/
├── 📄 main.py # 主程序入口（完整量化流程）
├── 📁 scripts/
│ └── train.py # 独立训练脚本
├── 📁 quant/ # 量化核心模块
│ ├── calc_factors.py # 因子计算引擎
│ └── factor_library/ # 因子库
│ ├── renko_factors.py # 砖型图专用因子
│ └── vcp_factors.py # VCP形态因子
├── 📁 strategy/
│ └── renko_strategy.py # 砖型图策略逻辑
├── 📁 utils/
│ ├── akshare_fetcher.py # Tushare数据获取
│ ├── csv_manager.py # CSV数据管理
│ └── factor_utils.py # 因子工具函数
├── 📁 data/ # 数据目录（.gitignore）
│ ├── stocks/ # 股票历史数据
│ └── processed/ # 处理后数据
│ ├── signal_pool.csv # 信号池
│ └── factor_weights.json # 因子权重
├── 📄 requirements.txt # Python依赖
├── 📄 .env.example # 环境变量示例
└── 📄 README.md # 本文件
策略基于通达信砖型图公式，买入信号需同时满足5个条件：
CC条件 : 昨日绿柱，今日红砖（砖型图反转）
力度达标 : 今日红柱 >= 昨日绿柱 × 2/3
趋势确认 : 知行短期趋势线 > 知行多空线
价格确认 : 收盘价 > 知行多空线
红砖过滤 : 红砖大小 >= 5
使用K-Means将信号分为3个聚类，每个聚类独立计算权重：
| 聚类 | 特征 | 正样本率 | 策略特点 |
|---|---|---|---|
| 聚类0 | 高波动型 | ~57% | 适合追涨，容忍高波动 |
| 聚类1 | 弱势反弹型 | ~53% | 适合抄底，关注反转 |
| 聚类2 | 强势突破型 | ~46% | 适合突破，要求确认 |
| 因子 | 说明 | 方向 | 逻辑 |
|---|---|---|---|
renko_strength_entity |
砖型图反包力度 | - | 反包力度越大越好 |
vcp_ratio |
波动率收敛比 | + | 收敛越好越可能突破 |
pivot_proximity |
枢轴邻近度 | + | 靠近枢轴支撑 |
ma_alignment |
均线多头排列 | + | MA20>MA28>MA57 |
closing_range |
收盘强度 | + | 收盘接近最高价 |
upper_shadow_penalty |
上影线惩罚 | + | 无上影线（光头）最佳 |
volatility_5day |
前5日波动率 | + | 前期波动小有利于突破 |
- AUC: ~0.60（有效区分正负样本）
- 区分度: ~18（正样本得分明显高于负样本）
- 训练样本: 270万+ 条历史信号（2020年至今）
- 正样本定义: 未来3日收益 ≥ 3%
聚类分布:
聚类 0: 892,341条 (正508,643/负383,698) - 正样本率 57.0%
聚类 1: 1,023,456条 (正542,432/负481,024) - 正样本率 53.0%
聚类 2: 784,203条 (正360,733/负423,470) - 正样本率 46.0%
# 一键完整流程：更新 → 构建 → 训练 → 选股
python main.py run
# 只选Top 10
python main.py run --top 10
# 跳过数据更新（已有数据时）
python main.py run --skip-update
# 跳过训练（已有权重时）
python main.py run --skip-train# 1. 更新数据（每日必做）
python main.py update
# 2. 构建信号池
python main.py build
# 3. 训练因子权重
python main.py train
# 4. 执行选股
python main.py select --top 20| 命令 | 功能 | 常用参数 |
|---|---|---|
init |
首次全量抓取 | --max-stocks 500（首次建议抓取500只以上） |
update |
每日增量更新 | --max-stocks 100（测试用） |
build |
构建信号池 | - |
train |
训练因子权重 | - |
select |
执行选股 | --top 10（选前N只） |
run |
一键完整流程 | --skip-update/--skip-build/--skip-train |
选股结果保存为 CSV 格式：
rank,code,name,score,cluster,close,future_3d_return
1,000001,平安银行,85.32,0,11.12,0.0523
2,600000,浦发银行,82.15,1,9.85,0.0312| 变量名 | 说明 | 获取方式 |
|---|---|---|
TUSHARE_TOKEN |
Tushare Pro API Token | Tushare官网 注册获取 |
Windows (PowerShell) - 推荐:
[Environment]::SetEnvironmentVariable("TUSHARE_TOKEN", "your_token", "User")
# 设置后重启终端macOS/Linux:
export TUSHARE_TOKEN="your_token"或使用 .env 文件:
cp .env.example .env
# 编辑 .env 填入你的 Token编辑 data/processed/factor_weights.json 可手动调整权重：
{
"0": {
"renko_strength_entity": {
"weight": 0.20, // 提高权重
"direction": -1 // -1表示反向（值越小越好）
}
}
}在 main.py 中修改 n_clusters 参数：
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)默认未来3日收益 ≥ 3% 为正样本，可在 main.py 中修改：
df['is_positive'] = df['future_3d_return'] >= 0.03 # 3%阈值date,code,close,renko_strength_entity,vcp_ratio,pivot_proximity,...
2026-04-03,000001,11.12,0.85,-0.32,0.15,...{
"0": {
"renko_strength_entity": {
"weight": 0.148,
"ic": -0.047,
"direction": -1,
"optimal_range": [-0.42, 1.76],
"optimal_mean": 0.67
},
...
},
"1": {...},
"2": {...}
}原因: 信号数量少于 K-Means 聚类数（默认3个）。
解决: 抓取更多股票数据，或程序会自动调整为 min(3, n_samples) 个聚类。
原因: Windows 默认使用 GBK 编码，不支持部分 Unicode 字符。
解决: 设置 UTF-8 编码（可选，不影响程序运行）：
$OutputEncoding = [console]::InputEncoding = [console]::OutputEncoding = New-Object System.Text.UTF8Encoding# 选股 Top 10
python main.py select --top 10
# 或完整流程时指定
python main.py run --top 10# 只更新前100只股票（快速测试）
python main.py update --max-stocks 100| 命令 | 用途 | 说明 |
|---|---|---|
init |
首次使用 | 全量抓取所有股票数据，自动保存股票名称 |
update |
每日使用 | 增量更新已有股票数据 |
建议: 首次使用 init，后续使用 run（会自动调用 update）。
- 本策略仅供学习研究，不构成投资建议
- 量化交易有风险，历史回测不代表未来收益
- 短线交易波动大，请根据自身风险承受能力谨慎使用
- 建议先进行模拟盘验证，再考虑实盘交易
欢迎提交 Issue 和 Pull Request！
- 使用清晰的 commit message
- 新增功能请补充文档
- 修复 bug 请说明问题现象和解决方案
本项目采用 MIT License 开源许可证。
- Tushare - 提供高质量A股数据
- scikit-learn - 提供K-Means等机器学习算法
- pandas - 提供高效数据处理工具
⭐ Star 本项目 if you find it helpful!