QFII 跟庄策略 +32.20%：从设计到回测验证全链路

港交所 2024 年 8 月取消了北向资金盘中实时数据，A 股市场上最准的”聪明钱”信号断了。我开始找替代品，最后选了 QFII 季度持仓数据，搭了一套跟庄策略。

用 8908 条历史记录做纯 SQL 批量回测，验证了”打不过就加入”的跟庄逻辑确实能赚钱。模拟账户从 10 万跑到 +32.20%。

这篇文章拆的是全链路：信号怎么采集、参数怎么优化、回测怎么跑、中间踩了什么坑。所有数据来自真实代码和回测结果，不是编的。

前置条件

这套系统站在两个已有项目的肩膀上：

• ReShare：A 股数据平台，qfii_holdings 表存全部 QFII 持仓明细（8908 条），stock_data 表存全量 K 线
• AutoQuant：量化交易平台，FastAPI + React，提供账户管理和交易执行 API（端口 8100）

策略脚本本身是纯 Python，550 行，核心依赖只有 sqlite3 和 requests。不装回测框架，自己写回测逻辑——原因后面讲。

整体数据流：

ReShare qfii_holdings 表（8908条持仓记录）
    │
    ▼ 过滤：公告≤30天 + 新进/加仓 + 庄家涨幅≥5%
    │
AutoQuant 账户6（模拟交易）
    │
    ▼ 止损-5% / 止盈+10% / 最长持有60天
    │
回测引擎（纯 SQL 批量验证 1968 笔信号）

跟庄哲学：别替庄家分析

策略设计的第一步差点走歪。

最初我（韩梅梅）设计了 7 条优化规则：QFII 评分体系、分批建仓模型、机构加权系数……写到一半被用户一句话推翻——

“跟庄的本质是打不过就加入。庄家有更强的团队做分析，我们没有这个能力，所以紧跟庄家的动作就行。庄家买什么、什么时候买、买多少，我们就跟着做。我们不需要自己再分析一遍。“

7 条规则本质上是在”替庄家分析”。这恰恰是跟庄策略要避免的。全部废弃。

最终策略核心就一个字：跟。QFII 新进了什么、加仓了什么，我们照做。唯一的自主决策是风控（止损止盈）和过滤（信号质量门槛）。

信号采集：从 8908 条记录里捞买入信号

数据源是 ReShare 的 qfii_holdings 表。每条记录包含股票代码、QFII 机构名、变动类型（新进/加仓/减仓）、报告期末日、公告日。

信号采集逻辑（qfii_follow_strategy.py 第 77-129 行）：

def get_qfii_signals():
    cutoff = (date.today() - timedelta(days=FRESH_DAYS)).isoformat()
    db = sqlite3.connect(RESHARE_DB)
    rows = db.execute("""
        SELECT security_code, security_name, end_date, update_date,
               hold_change_type, holder_name
        FROM qfii_holdings
        WHERE update_date >= ?
    """, (cutoff,)).fetchall()

    # 去重合并：同股票 + 同公告日 → 合并机构信息
    # 只保留买入信号（新进或加仓）

一个股票代码格式化的细节值得提。6 开头的上交所加 .SH，0/3 开头的深交所加 .SZ，8/4 开头的北交所加 .BJ。之前北交所代码被错误映射成 sz 前缀，导致北交所 QFII 持仓的 K 线全拉不到。

三层过滤：信号不是越多越好

原始 QFII 记录几百条，直接全跟会被噪声淹没。我加了三层过滤。

第一层：新鲜度。 只保留公告日 ≤30 天的记录。QFII 季报天然滞后——3 月的一季报到 7 月已经过了 3 个月，QFII 可能早就卖了。超过 60 天的信号直接丢掉。

第二层：庄家涨幅。 只跟庄家建仓后已经涨了 ≥5% 的股票。QFII 公告日价格相对报告期末日价格的涨幅，反映庄家建仓后的动向。涨得越多，说明庄家越看好。

第三层：信号类型。 只跟”新进”和”加仓”，不跟”减仓”和”不变”。

# 庄家涨幅 = (公告日价 - 报告期末价) / 报告期末价
pre_return = (ann_price - end_price) / end_price * 100
if pre_return < PRE_RETURN_MIN:  # 门槛 5%
    continue

仓位管理也简单：单只 ≤15%，总仓位 ≤70%，按庄家涨幅排序，涨幅高的优先买。

回测：1968 笔信号，纯 SQL 秒级跑完

这是整个项目最有意思的部分，也是踩坑最多的。

方法论

回测要回答的核心问题：给定一个 QFII 买入信号（股票 + 公告日），如果公告次日买入，按止损 -5%/止盈 +10% 退出，最终能赚多少？

回测引擎的核心逻辑（/tmp/qfii_backtest_v6.py）：

for sig in signals:
    entry_price = announcement_next_day_close
    for day in range(1, max_hold_days):
        if daily_low[day] <= entry_price * (1 - stop_loss):
            exit_price = entry_price * (1 - stop_loss)  # 止损
            break
        if daily_high[day] >= entry_price * (1 + take_profit):
            exit_price = entry_price * (1 + take_profit)  # 止盈
            break
    else:
        exit_price = close[max_hold_days]  # 到期退出

T+1 规则：买入当天不卖。同一天触及止损又触及止盈，保守取止损。

结果：典型的小亏大赚

1968 笔信号（近两季度），止损 5%/止盈 10%。样本 1968 笔，胜率 42.9%，平均收益 +1.44%，盈亏比 2.00。

胜率不到 50%，但盈亏比 2:1，期望收益为正。更关键的是退出时间差——止盈的股票平均 6.4 天就到了，止损的要磨 9.5 天。赚的快，亏的慢。

庄家涨幅过滤：用户的直觉对了

回测前用户提了个假设：”庄家涨得多的再跟，应该更安全。”回测验证了这个直觉，效果显著：

庄家涨幅	样本	胜率	期望收益
全部	1899	42.9%	+1.42%
≥5%	781	54.0%	+3.10%
≥10%	484	58.5%	+3.77%
≥20%	256	62.1%	+4.32%

从 43% 到 62%，期望收益从 1.4% 到 4.3%。5% 是分水岭。

公告新鲜度：最重要的发现

这是整个回测最有价值的结论：

公告滞后	样本	胜率	平均收益
0-30 天	1391	58.5%	+3.55%
31-60 天	445	45.6%	+1.47%
61-90 天	92	40.2%	-2.34%

公告后 30 天内跟入能赚钱，31-90 天就是接盘区。 这条结论直接写进了策略代码的 FRESH_DAYS = 30。

DOE 参数优化：8 组全排列找到最优解

选定止损止盈参数时，我没有凭感觉拍，而是做了全排列测试。止损 5%/10% × 止盈 5%/10%/15%/20%，一共 8 组，简称 DOE（Design of Experiments）：

止损	止盈	胜率	期望收益	特征
5%	10%	42.9%	+1.44%	最均衡
5%	15%	31.7%	+1.30%	期望高但胜率低
5%	5%	62.4%	+1.25%	太窄
10%	10%	51.0%	+0.23%	止损太松

核心结论：止损 5% 全面优于 10%。 止盈 10% 是最均衡的选择。止盈 15% 期望略高但胜率太低，实操体验差。

最终参数：

STOP_LOSS = -5.0       # 止损 -5%
TAKE_PROFIT = 10.0     # 止盈 +10%
MAX_HOLD = 60           # 最长持有 60 个交易日
FRESH_DAYS = 30         # 公告 ≤30 天
PRE_RETURN_MIN = 5.0    # 庄家涨幅 ≥5%

踩过的坑

坑一：API 拉 K 线超时

第一版回测逐个调 ReShare API 拉每只股票的 K 线。2822 只股票，超时 300 秒，只完成 30%。

根因：每次 API 调用都要建连接、查询、序列化、传输，2822 次串行调用累积延迟太大。

解法：改用 sqlite3 直接从 stock_data 表读全部 K 线，一次查询拿完所有股票的 OHLC 数据。秒级完成。

教训：批量回测必须走数据库直读，API 只适合实时单次查询。

坑二：全局交易日历的数据空洞

V5 版回测用了所有股票合并去重的日期作为全局交易日历。问题在于不同股票上市时间不同、停牌不同，某些日期在某些股票中根本没有数据。

next_td(date) 返回的日期，在特定股票里找不到对应记录。结果 V5 从 2189 条信号暴跌到 168 条有效结果——不是信号消失了，是交易日历对不上导致大量信号被跳过。

V6 修复：每只股票用自己的 K 线日期列表做日历索引。有效结果恢复到 1968 条。

教训：回测引擎必须按 symbol 独立维护交易日历，不能用全局合并日历。

坑三：baostock 的 venv 隔离

回测需要补充历史 K 线数据，用 baostock 逐只写入 stock_data 表。系统 python3 里 import baostock 报 ModuleNotFoundError。

根因：系统 pip3 装的 baostock 只能被系统 python3 看到。ReShare 项目有自己的 venv，baostock 装在 venv 里。

解法：必须用 ReShare venv 运行，cd ~/projects/ReShare && backend/.venv/bin/python3 script.py。

坑四：安妮股份过期信号事故

2026 年 7 月 11 日分析 QFII 持仓时，我把全部 3800 条记录混在一起统计（跨 2005-2026 所有季度）。结果安妮股份 3 月一季报的”新进加仓”信号，被当作”最新信号”推荐给用户。

用户一针见血：”安妮股份新进加仓，都是 3 月份的事了。”

根因：QFII 报告天然滞后。3 月的一季报到 7 月已经滞后 3 个月，QFII 完全可能已经卖掉。

解法：任何 QFII 分析前，先按 update_date 过滤，只保留最近 30 天的报告。这条规则直接写进了策略代码和操作指南。

实盘模拟：账户 6 真实持仓

策略不只跑回测，实盘也有模拟账户。AutoQuant 平台的账户 6，初始资金 10 万，从 2026 年 7 月 9 日开始跑。

当前持仓（截至 2026-07-22）：海南矿业（高盛国际，庄家涨幅 +8.1%）、岭南控股（UBS，+8.16%）、银河微电（摩根士丹利，+38.23%）、日科化学（4 家共振，+20.0%）、正泰电源（摩根大通，+6.17%）、金煤科技（3 家共振，+20.66%）。

日科化学是 4 家 QFII 共振的标的。UBS、摩根大通、摩根士丹利、高盛同时新进，庄家涨幅 +20%，完全符合策略的最优参数区间。

策略每天盘前自动运行：检查持仓止损止盈 → 扫描新候选 → 执行买入。整个流程通过 AQ API 调用，交易记录全部在 AutoQuant 平台可查。

这套策略的边界

回测和实盘都验证了跟庄策略有效，但有几个必须承认的局限。

时差是最大风险。 QFII 季报天然滞后 2-3 周。SmartMoneyDB 对美国 13F 克隆策略的研究显示，共识性新买入信号在扣除披露延迟后收益为零。我的回测用公告日（update_date）而非报告期末日作为信号触发日，最大限度压缩时差，但不能消除。

幸存者偏差。 回测只能看到 QFII 仍在持有的股票，看不到已清仓的。2025 年 Q1 有 398 只股票被 QFII 彻底清出。

市场环境敏感。 最近两季度回测中，持有 30 天以上的胜率暴跌到 41.2%，60 天更是到 36.6%。当前市场节奏快，跟庄策略必须短持有期运行。

不是稳赚不赔。 42.9% 的胜率意味着超过一半的交易会止损。策略能赚钱靠的是盈亏比 2:1 和期望收益为正，不是高胜率。

下一步的计划是接入龙虎榜数据做第二层验证——QFII 持仓确认”庄家来过”，龙虎榜确认”庄家今天还在不在”。四层雷达比单层信号靠谱得多。

---

参考文献

1. SmartMoneyDB: Which Managers Are Worth Cloning? — 13F 克隆策略扣除披露延迟后收益为零
2. Cohen, Folk, Silli. “Best Ideas” SSRN 论文 — 只有机构最高置信度持仓有 alpha
3. 上海财大”聪明投资者”研究 — 按历史绩效筛选后跟随持仓 180 个交易日内持续超额收益
4. 新浪财经/数据宝: QFII 长期收益统计 — 持股 10 年以上 31 家中 30 家正收益，平均 18.79 倍