我用長橋 API 給 QQQ 0DTE 策略做回測，差點被數據騙了

做量化交易的人都聽過一句話：策略好不好，回測説了算。

但沒人告訴你的是——回測本身就會坑你。數據拿錯了、信號過濾太嚴了、參數看起來漂亮但實盤一塌糊塗……這些都是真實發生在我身上的事。

這篇文章記錄我用長橋 API 對 QQQ 0DTE 衰竭反轉策略做回測時，踩過的每一個坑。如果你也在用長橋做美股策略回測，希望這些經驗能幫你少走彎路。

坑 1：yfinance 不靠譜，長橋 API 才是正道

一開始我用 yfinance 下載歷史數據，想着免費就行。結果：

• 頻繁被限流（429 Too Many Requests）
• 1 分鐘數據只能拿最近 30 天
• 數據質量參差不齊，偶有缺失

換了長橋 API 之後，通過 history_candlesticks_by_date() 可以按天拉取 1 分鐘 K 線，每天約 241 根（Basic 級別，僅正式盤），Premium 級別含盤前盤後約 960 根。

from longport.openapi import Config, QuoteContext, Period, AdjustType, TradeSessions from datetime import date, timedelta ctx = QuoteContext(Config.from_apikey_env()) # 按天下载，精确控制范围 candles = ctx.history_candlesticks_by_date(    symbol="QQQ.US",    period=Period.Min_1,    adjust_type=AdjustType.ForwardAdjust,    start=date(2026, 4, 14),    end=date(2026, 4, 15),    # 注意：end 不包含这一天    trade_sessions=TradeSessions.All ) print(f"获取到 {len(candles)} 根 K 线")

⚡ 踩坑要點

1. start 和 end 必須是 date 對象，不能是字符串

# ❌ 报错：'str' object cannot be cast as 'date' candles = ctx.history_candlesticks_by_date(..., start='2026-04-14', end='2026-04-15') # ✅ 正确 from datetime import date candles = ctx.history_candlesticks_by_date(..., start=date(2026,4,14), end=date(2026,4,15))

2. 單次最多返回 1000 根 K 線

一天的 1 分鐘 K 線（含盤前盤後）剛好接近 1000 根的限制。所以按天循環下載是正確姿勢，別想一口氣拉一個月的數據：

import time from datetime import date, timedelta all_candles = [] current = date(2025, 7, 1) end_date = date(2026, 4, 18) while current <= end_date:    try:        candles = ctx.history_candlesticks_by_date(            symbol="QQQ.US",            period=Period.Min_1,            adjust_type=AdjustType.ForwardAdjust,            start=current,            end=current + timedelta(days=1),            trade_sessions=TradeSessions.All        )        all_candles.extend(candles)        print(f"  {current}: {len(candles)}根")    except Exception as e:        print(f"  {current}: {e}")    current += timedelta(days=1)    time.sleep(0.2)  # 别太快，防限流

3. timestamp 可能是 datetime 對象

長橋返回的 Candlestick.timestamp 在不同 SDK 版本下可能是 datetime 或 Unix timestamp。直接用 fromtimestamp() 可能炸：

# ✅ 防御性写法 ts = candle.timestamp if isinstance(ts, (int, float)):    ts = datetime.fromtimestamp(ts) # 如果已经是 datetime，直接用

坑 2:5 分鐘數據在開盤 1 小時窗口內直接啞火——0 筆交易

第一輪迴測，我用 5 分鐘 K 線跑了 60 天的數據結果 0 筆交易。

但我當時沒當回事，覺得是數據量不夠。直到後來用完整的 v6 全過濾策略（雙向突破 +ITM 期權 +Black-Scholes 定價）在 5 分鐘和 1 分鐘數據上做了一次正式對比，結果讓我徹底服了：

5 分鐘數據在開盤 1 小時內，一筆交易都沒觸發。

為什麼？因為我的策略窗口只有開盤 1 小時（09:35-10:50），5 分鐘 K 線在這個窗口裏只有約 15 根。再加上全過濾（SMA20 趨勢 + 量能 + 動量 +K 線實體），15 根 5 分鐘 K 線根本不夠過濾條件判斷的——指標還沒算出來，窗口就關了。

而 1 分鐘 K 線在同一窗口內有約 75 根，信號充足，經過 6 層過濾後仍保留 451 筆。

教訓：策略的時間尺度和數據的顆粒度必須匹配。 開盤 1 小時的快速行情，5 分鐘顆粒度完全跟不上。這不是參數問題，是數據粒度的物理限制。

坑 3:24746 次突破信號只剩 454 筆——6 層過濾漏斗每一層都在"殺人"

切換到 1 分鐘數據後，信心滿滿跑回測。這次不是 0 筆了，但我想搞清楚：過濾條件到底砍掉了多少信號？

寫了個診斷腳本，逐層統計每一層過濾通過的次數：

突破信号触发      → 24746 次  ✅ 信号源充足 ↓ 时间窗口过滤（只做 09:35-10:50） 时间窗口通过      →  3535 次  (14.3%)  ⚠️ 85% 被砍 ↓ 跳空过滤（gap < 0.20%） 跳空过滤通过      →  3464 次  (98.0%)  ✅ 跳空不是问题 ↓ SMA20 趋势过滤（做多价格>SMA20，做空<SMA20） SMA20 通过        →  3450 次  (99.6%)  ✅ 趋势几乎不影响 ↓ 量能过滤（成交量 ≥ 20 均量 × 1.2） 量能通过          →  1205 次  (34.9%)  ⚠️ 65% 被砍！ ↓ 动量确认（最近 2 根 K 线同向） 动量通过          →   616 次  (51.1%)  ⚠️ 又砍一半 ↓ K 线实体确认（实体 ≥ 0.03%） K 线实体通过       →   454 次  (73.7%) ↓ 最终入场 最终信号          →   454 次  (100%)  ✅ 全部入场

漏斗分析揭示了三個關鍵真相：

1. 時間窗口是第一大瓶頸（保留 14.3%）。 開盤 1 小時雖然信號質量高，但直接砍掉了 85% 的突破信號。這是有意為之——全天的突破信號太多噪音，開盤時段的信號最有效。

2. 量能過濾是第二大瓶頸（保留 34.9%）。 要求成交量達到 20 日均量的 1.2 倍，直接砍掉了 65% 的信號。這意味着大部分突破發生在縮量狀態下，放量突破才是真突破。

3. SMA20 趨勢過濾幾乎沒用（保留 99.6%）。 原以為"做多必須價格在 SMA20 之上"會砍掉很多假信號，實際上 99.6% 的突破信號本身就已經滿足這個條件。趨勢是結果不是原因——突破本身就隱含了趨勢。

診斷代碼

如果你也遇到類似問題，可以用這個方法定位瓶頸：

# 逐层统计过滤漏斗 —— 直接告诉你哪里卡住了 stages = {    '突破信号': 0, '时间窗口': 0, '跳空过滤': 0,    'SMA20': 0, '量能': 0, '动量': 0, 'K 线实体': 0, '最终入场': 0, } for i in range(n):    # 第一层：突破信号    if not (prev_close > upper or prev_close < lower):        continue    stages['突破信号'] += 1    # 第二层：时间窗口    if not (9*60+35 <= hour_min <= 10*60+50):        continue    stages['时间窗口'] += 1    # 第三层：跳空    if gap > 0.0020:        continue    stages['跳空过滤'] += 1    # 第四层：SMA20    if sig == 'call' and close < sma20:        continue    if sig == 'put' and close > sma20:        continue    stages['SMA20'] += 1    # 第五层：量能    if volume < sma_vol * 1.2:        continue    stages['量能'] += 1    # 第六层：动量（2 根同向）    if not (连续 2 根同向 K 线):        continue    stages['动量'] += 1    # 第七层：K 线实体    if prev_body < 0.0003:        continue    stages['K 线实体'] += 1    stages['最终入场'] += 1 for stage, count in stages.items():    print(f"  {stage:10s} → {count:5d} 次")

這個漏斗圖比任何優化算法都管用。 它直接告訴你哪層過濾太鬆（浪費計算）、哪層太緊（漏掉機會）、哪層純屬擺設。

坑 4：調參數治標不治本

發現問題後，我嘗試調整參數：

結論：參數調整在當前市場環境下效果有限。

這不是參數的問題，是市場狀態的問題。最近 QQQ 處於低波動的趨勢行情，衰竭反轉信號本身就少。策略需要的是高波動、頻繁反轉的市場環境才能發揮。

這給我的啓發是：回測不能只看數字好看不好看，還要看回測數據覆蓋了什麼樣的市場狀態。

• 只回測牛市？策略可能只會做多
• 只回測低波動？策略可能一單都不觸發
• 必須覆蓋牛、熊、震盪至少三種行情

坑 5：時區差點讓我多做了一筆假交易

長橋返回的 K 線時間戳是 HKT（UTC+8），不是 UTC，也不是美股東部時間（ET）。

我一開始沒注意，直接拿 HKT 時間去判斷"美東 9:30 開盤"，結果時間全部偏移了 13 個小時（夏令時 12 小時）。這意味着：

• 美東 9:30 開盤 = 北京時間 21:30
• 如果代碼裏寫 if hour == 9，實際對應的是北京時間 9 點——根本不在交易時段內

正確的處理方式：

from datetime import datetime import pytz # 长桥返回的是 UTC 时间 utc_time = candle.timestamp  # datetime with tzinfo=UTC # 转换为美东时间 et = pytz.timezone('America/New_York') et_time = utc_time.astimezone(et) # 判断是否在交易时段 if et_time.hour == 9 and et_time.minute >= 30:    # 正式开盘    pass

WSL 環境的額外坑：pip3 可能指向系統 Python，而你在虛擬環境裏。安裝 pytz 要用：

# ❌ pip3 install pytz → 可能装到系统 python 去了 # ✅ /usr/bin/python3 -m pip install pytz --break-system-packages

坑 6：舊數據和新數據合併時格式不統一

我的回測數據來自兩個時期：

• 舊數據：CSV 格式，時間列無時區信息
• 新數據：從長橋 API 獲取，帶 UTC 時區

直接 pd.concat() 會報錯或者時間對不上。正確做法：

import pandas as pd # 强制统一为 UTC old['Datetime'] = pd.to_datetime(old['Datetime'], utc=True) new['Datetime'] = pd.to_datetime(new['Datetime'], utc=True) # 可选：统一转为美东时间（去掉时区信息，方便按小时筛选）old['Datetime'] = old['Datetime'].dt.tz_convert('America/New_York').dt.tz_localize(None) new['Datetime'] = new['Datetime'].dt.tz_convert('America/New_York').dt.tz_localize(None) # 合并去重 all_data = pd.concat([old, new]).drop_duplicates(subset='Datetime').sort_values('Datetime')

總結：回測中我學到的 6 件事

數據源要可靠。yfinance 免費但不穩定，長橋 API 按天下載 1 分鐘 K 線是更好的選擇，注意 start/end 必須是 date 對象，單次最多 1000 根。

數據粒度要匹配策略。0DTE 做分鐘級交易，必須用 1 分鐘數據，5 分鐘會漏掉大部分信號。

回測時一定要做信號漏斗分析。逐層統計每個過濾條件通過的次數，快速定位瓶頸在哪。

參數調優有上限。如果市場狀態不支持策略邏輯，調什麼參數都沒用。要看回測數據是否覆蓋了不同市場環境。

時區處理是重災區。長橋返回 UTC 時間，做美股策略需要轉成 ET。WSL 下 pip 版本可能串，注意用對 Python。

數據合併前先統一格式。舊 CSV 無時區 + API 數據有時區，直接拼會出 bug。先統一為同一時區再去重合並。

以上是我在 QQQ 0DTE 策略回測過程中的真實踩坑經歷。如果你也在用長橋做量化交易，歡迎交流。

本文僅供技術交流，不構成投資建議。

@LongbridgeAI  $納指 100 ETF - Invesco(QQQ.US)