量化回测的数据支持就是在于历史上已经发生的事情，比方说股票的某个概念，如果我们处在这个时间里，也许还不知道他具有这样的概念，但是只要是历史上发生的事情，过后都会增加这个概念。不会让人处于朦胧中或者推测中。
有了这个支持，我们就可以用科学的逻辑来回测量化能打破盈亏平衡点的所有策略。
比方说龙头战法，网络上流传的所谓的龙头战法很多都是跟股票概念相关的。概念嘛，无非就是处在这个时间里面产生朦胧感罢了。
说逻辑吧，第一 所谓的龙头战法，无非就是几个大方面，
一是日线级别的验证（形态），
二是分时级别的验证（涨停时间，烂板次数，拉升承接，拉升的流畅度，竞价，上板成交量.....等等），
三是技术指标的验证（比方说均线，MACD......等等）
四是概念方面的验证
五是事件方面（*、业绩等等）
就这五大方面，为什么会是这五大方面？因为这都是可以通过肉眼看到的东西。也就是说是交互的画面。
有了这五大逻辑，我们可以验证所有的龙头战法到底能不能打破盈亏平衡点，从而实现盈利。
这五大回测方面，我们知道日线级别，技术指标方面，概念方面，这三大方面都是最容易验证的在计算机学里面。因为就是数据，比方说日线 本质就是个形态组合罢了。 技术指标方面，无非就是指标的相互组合罢了， 概念方面，无非就是个概念的分类罢了，计算机语言说的话，无非就是按照日期分类，相同类别的归类罢了。
分时级别也是同样如此，比方说涨停时间， 编程代码： 连接服务器，调用所有的分时数据，找到所有的涨停价的时间。。
api_hq = TdxHq_API()
api_hq = api_hq.connect('119.147.212.81', 7709)
连接服务器
比方说历史上002355在2022年6月24日第一次涨停时间：
zttime = df[0][df[1].idxmax()]
这句就是返回第一次涨停的时间
运行得到他第一次涨停的时间
再比如烂板次数，
mx = df[1].max()
lbcs = df[(df[1] == mx) & (df[1] != df[1].shift(-1, fill_value=mx))]
这句就是为了得到他的开板，封板的所有的时间
这就是他所有的开板封板烂板的时间点；
再比如概念方面， 所有的股票软件都支持导出这种落地数据，比方说同花顺导出后
我们只要把这种概念分类罢了，比方说为了本地测试，我上面的代码里面，把所有的概念都直接按照概念把股票分类到本地，代码
gainian = pd.read_excel(r'C:\Users\admins\Desktop\Table.xlsx', header=None)
gainian.set_index(0, inplace=True)
df0 = gainian[[2]].apply(lambda x: ';'.join(x), axis=0).values[0]
gns = list(set(df0.split(';')))
for i in gns:
with open('C:/Users/admins/Desktop/1000/' i '.json', 'w') as f0:
f0.write(json.dumps(get_gn_gl(i, gainian), ensure_ascii=False))
最后得到所有的概念，比方说人工智能
再比如事件方面，无非就是个爬虫得到这个时间段的所有资讯，然后回测下呗。这个方面最难的点无非就是字符串的训练呗，主要是 比方说 内容中包含 ‘*’这个字眼 如果我们只是把字符分解，得到的数据过多，所以我们最好能够把所有的财经证券字眼单独能放到一个数据库里面较好，然后把字符训练下，得到准确的资讯点罢了。
把上面的所有的数据作为基础数据，然后按照他们龙头战法的定义，去验证回测所有的龙头战法。比方说他们定义的补涨龙，先于板，共震板.......等等所有的龙头战法。
说这些只是为了说明一个简单的策略，比方说我们通过基础数据去回测验证龙虎榜上面的营业或游资，他们参与股票的着重点，比方说某游资说概念，我们就验证他所谓的概念和他的操作是否步调一致。等等。。
其实在大数据时代，他们的操盘方面，是可以通过验证龙虎榜得到他们的着重点的。
我只是提供逻辑，有兴趣的，可以自己去寻找，计算。
