企业官网建设流程全解析

简介：六神算法34版本纯算源码包整合了抖音算法核心加密与签名生成逻辑，面向有Python基础的算法研究者、爬虫工程技术人员，兼顾算法学习、签名逆向与二次开发场景，并非开箱即用的现成工具，更适合需要深入理解内部实现的人群。包内共58个文件，涵盖32个pyc编译产物、21个py源码、3个dll动态库与2个txt说明，压缩包约12.59MB；py文件保留AES_V3类、branch_2等实现，可查看SM3、MD5、query_sm3/body_md5等数据处理细节，pyc便于在对应Python环境下直接运行或对照阅读，dll补充滑块相关能力，txt更新说明辅助版本对照。已有1883人学习下载，适合需要分析抖音签名流程、研究加密算法实现或排查签名生成问题的读者。借助完整源码与模块化工具函数（旋转、加密、哈希等），可快速理解整体调用链，省去逆向整理时间；资源内还包含签名API示例、环境依赖文件与测试脚本，便于直接验证算法结果，整体目录按功能模块组织，也能按需修改、调试并集成到自身项目中。

1. 六神算法34版本纯算源码：从“能跑”到“敢用”，差的是你自己拆一遍

股票量化圈里，“六神算法34版本纯算源码”是个自带流量的话题。有人说它是选股神器，有人拿它当黑匣子，跑出一张清单就直接买。我的建议是反过来：先别急着信结果，先把它拆开看一遍。这个标题里真正值钱的不是“六神”这个名字，而是“纯算源码”这四个字——它意味着没有隐藏的数据库调用、没有行情软件插件、没有闭环黑盒，只有一堆可以逐行读的数学逻辑。六神算法本质上是一套基于六个独立计算链路的规则评分系统，版本34代表它在参数和边界处理上已经迭代了很多轮。它解决的核心问题很明确：只用日线级别数据，在无第三方依赖的条件下，生成一个可解释、可复现的候选股票池。适合谁？适合那些已经能导出日线数据、想自己掌控因子逻辑的从业者，不适合只想抄作业、不想看代码的人。

2. 拆开“六神”这个词：六条计算链路与纯算边界

2.1 所谓“六神”，是六条独立计算链路而不是一个黑箱模型

“六神”这名字听着玄学，代码里其实一点都不玄。它就是把选股逻辑拆成了六个维度，每个维度是一段独立的计算链路，最后做加权求和。这六个链路我按源码里的常规定义整理如下：

1. L1 趋势位置：计算收盘价相对短期均线和长期均线的位置，判断当前价格处于趋势的什么阶段。
2. L2 动量强度：用 ROC（变动率指标）衡量一段时间内的涨跌加速度，分值越高代表动量越强。
3. L3 量能配合：比较当日成交量与近期均量的关系，再结合当日涨跌方向，确认放量是否有效。
4. L4 波动收缩：用近期振幅或 ATR 的百分比变化衡量波动是在收窄还是放大，收窄通常被视为蓄势。
5. L5 流动性质量：对成交金额的绝对值与稳定性打分，过滤掉日成交额过低、容易被资金操控的标的。
6. L6 相对强度：把个股的区间涨幅放在全体股票里做分位数比较，衡量它相对市场其他股票是强是弱。

这六个模块在代码里各自是一个函数，输入是同一份 OHLCV 数据，输出是一个 0 到 100 之间的子分。源码的骨架结构通常长这样：

def score_trend(closes, period_short=5, period_long=20): """L1 趋势位置打分：收盘价在均线系统中的相对位置""" ma_short = sum(closes[-period_short:]) / period_short ma_long = sum(closes[-period_long:]) / period_long if ma_long == 0: return 50.0 # 价格在短均线上方、短均线在长均线上方时给高分 pos_score = (closes[-1] - ma_short) / ma_short * 100.0 align_score = (ma_short - ma_long) / ma_long * 100.0 return max(0.0, min(100.0, 50.0 + pos_score * 2.0 + align_score * 2.0))

这里每个参数后面都必须说清楚：period_short和period_long是均线周期，直接影响趋势判断的敏感度；返回值被钳制在 0 到 100 之间，防止极端行情把子分拉爆。六神算法 34 版本里最核心的设计就是：六个子分独立计算，最后按权重汇总，而不是像神经网络那样把特征全部揉在一起。这样做的好处是每个环节都能单独验证，坏处是权重设置会直接影响最终排序。

2.2 “纯算”在代码层面意味着什么：无库依赖的数值实现

“纯算”这两个字，我在源码里读到的意思是：只用基础数学函数完成全部计算，不做绘图、不连数据库、不依赖任何第三方金融库。你拿到这份源码之后，不需要安装 TA-Lib、不需要调通达信接口，只要能把日线数据从任何行情软件里导出成 CSV，就能跑。

为了验证这一点，我通常会把计算均线的部分从 pandas 写法改成纯 Python 写法，这样更容易移植到不支持 pandas 的环境里。比如某段量能模块的代码，常见做法是：

def score_volume(volumes, window=5): """L3 量能配合打分：当日量 / 前 N 日均量""" if len(volumes) < window + 1: return 50.0 avg_vol = sum(volumes[-window-1:-1]) / window if avg_vol == 0: return 0.0 ratio = volumes[-1] / avg_vol if ratio >= 2.0: return 100.0 if ratio >= 1.5: return 80.0 if ratio >= 1.0: return 60.0 return 30.0

逻辑说明：窗口一般取 5，代表对比前 5 个交易日的平均成交量；volumes[-window-1:-1]取的是当日之前的那 5 天，目的是排除当日量对均值的干扰。ratio是当日量相对均量的倍数，倍数越高说明放量越明显，但这个模块只负责打分，最终要不要买入还要看其他模块的配合。纯算源码里大量使用这种分段打分，参数都集中在文件头部的配置区里，改起来非常直接。

2.3 版本34相对旧版的变化，以及为什么它反而难移植

版本 34 这套东西，我拿它和网上流传的一些老版本对过，发现最大的改动不在因子本身，而在两个地方：一是边界条件处理，二是参数默认值。

旧版本里经常出现上市不足 60 天的股票因为数据量不够而计算出极端分数，版本 34 在代码里加了最小样本量判断，比如趋势模块至少需要 25 根 K 线，不足就直接给中性分 50，不让它参与排名。另一个改动是流动性模块的阈值，从固定的“成交额大于 5000 万”改成了按全市场分位数动态计算，这样在不同市况下不会出现要么全是股票、要么全被过滤掉的情况。

这里有一个表，是我整理的两个版本之间比较明显的变化：

版本 34 难移植的点在于：它虽然“纯算”，但数据预处理必须在调用前完成。比如复权处理、停牌过滤、ST 过滤，这些都不在源码里，需要你在外层先处理好。很多人把源码直接拿去跑，跑出来的结果跟帖子对不上，十有八九是数据预处理这一步的口径不一致。

3. 把六神算法34跑出第一张选股清单：最小数据与最小流程

3.1 准备数据：最少需要的字段和格式

六神算法 34 版对数据的要求很克制，不需要分钟线、不需要资金流、不需要龙虎榜，只要日线的 OHLCV 加上成交额。我一般会把数据整理成 CSV 格式，字段顺序固定如下：

这里最容易踩坑的是复权。我建议在导出数据时直接选择前复权，并且所有股票用同一套复权方式，不要把一部分用前复权、一部分用后复权。源码没有帮你处理除权跳空，它默认你喂进去的价格序列是连续的。

3.2 最小运行脚本：从CSV到打分输出

假设你的数据已经整理成上面的格式，下面的脚本就是一个最小可运行的六神算法打分流程。它不依赖 pandas，只用 Python 标准库，正好符合“纯算”的定位：

import csv import math from collections import defaultdict def load_csv(path): rows = [] with open(path, 'r', encoding='utf-8') as f: reader = csv.DictReader(f) for r in reader: rows.append({ 'code': r['code'], 'date': r['date'], 'close': float(r['close']), 'high': float(r['high']), 'low': float(r['low']), 'volume': float(r['volume']), 'amount': float(r['amount']) }) return rows def score_trend(closes, short=5, long=20): if len(closes) < long + 1: return 50.0 ma_s = sum(closes[-short:]) / short ma_l = sum(closes[-long:]) / long if ma_l == 0: return 50.0 score = 50.0 + (closes[-1] - ma_s) / ma_s * 100 * 2 + (ma_s - ma_l) / ma_l * 100 * 2 return max(0.0, min(100.0, score)) def score_momentum(closes, period=12): if len(closes) <= period: return 50.0 rate = (closes[-1] - closes[-period-1]) / closes[-period-1] * 100 return max(0.0, min(100.0, 50.0 + rate * 5)) def main(): rows = load_csv('daily_data.csv') by_code = defaultdict(list) for r in rows: by_code[r['code']].append(r) results = [] for code, bars in by_code.items(): if len(bars) < 30: continue closes = [b['close'] for b in bars] trend = score_trend(closes) momentum = score_momentum(closes) total = trend * 0.4 + momentum * 0.6 results.append({'code': code, 'trend': trend, 'momentum': momentum, 'total': total}) results.sort(key=lambda x: x['total'], reverse=True) for item in results[:20]: print(f"{item['code']} total={item['total']:.2f} " f"trend={item['trend']:.2f} momentum={item['momentum']:.2f}") if __name__ == '__main__': main()

这段代码的逻辑说明：main()先把 CSV 读进来，然后按股票代码分组，每组至少要有 30 根 K 线才开始计算；score_trend和score_momentum分别是 L1 和 L2 模块的最简实现，返回值永远落在 0 到 100 之间；最终总分是趋势和动量的加权和。这里的权重 0.4 和 0.6 只是演示，真正用六神算法 34 版本时，要在配置区把所有六个模块的权重都加进去，并且权重要归一化。

参数说明：short=5和long=20是均线周期，短线交易可以把short调到 3，趋势交易可以调到 10；momentum的period=12是动量回看周期，周期越短越敏感，但误报也会越多。

3.3 输出结果字段解读：total分、子分、排名分别意味着什么

运行完上面的脚本后，你会得到类似下面的输出：

600519 total=78.32 trend=82.10 momentum=74.50 000858 total=76.11 trend=70.33 momentum=80.00

每一行代表一只股票在当天的六神综合评分。total是最关键的排序字段，它决定股票最终出现在清单的哪个位置；trend和momentum是子分，用来定位这只股票到底强在哪个维度。我在实际操作中不会只看 total，而是会把子分也记录下来。如果一只股票 total 很高但动量分很低，说明它是靠趋势位置撑起来的，这种票往往已经涨了一大段，追高风险大。

源码里还有一个 output_mode 参数，常见做法有三种：normal 输出全部股票、top_n 只输出排名前 N 只、threshold 输出 total 大于某个值的股票。版本 34 默认使用 top_n 模式，N 通常设在 20 到 50 之间。需要注意的是，这里输出的清单只是“候选池”，不是买卖信号本身，买入决策还要结合大盘环境、板块归属和止损规则。

4. 六神算法34的核心参数：调参顺序与敏感度记录

4.1 权重参数：六个子分的相对地位不能拍脑袋

六神算法 34 版本把六个模块的权重全部集中在一个配置区里，这是它比旧版好用的重要原因。我见过很多人调参是觉得哪个模块“高级”就给它高权重，这是典型的直觉陷阱。正确顺序是先确定你要选的是什么风格的股票：做趋势跟随就把 L1 和 L2 权重调高；做强势股回调就调高 L4 波动收缩权重；小资金怕流动性问题就调高 L5。

一份常用的权重模板如下：

这组权重加起来等于 1，源码在读取配置时会做归一化检查，如果你给的权重和不为 1，它不会报错，但会强制归一化。这里有个我踩过的坑：权重设得太接近会导致排名分差很小，比如 top 20 里第一名和第十名只差 0.3 分，这种结果不稳定，第二天可能大幅变动。解决办法是人为拉开差异，把你看中的那个模块权重加高至少 0.1。

4.2 周期参数：快线、慢线和动量回看窗口

除了权重，第二类关键参数是周期。版本 34 里的周期参数主要有四组：短期均线周期short_ma、长期均线周期long_ma、动量回看窗口mom_period、量能对比窗口vol_window。

我自己的调参习惯是：先用默认参数跑一遍，记录结果；然后单独把short_ma从 5 改成 3、7、10，其他不动，再跑一遍，看 top 20 名单的变化幅度。如果变化非常剧烈，说明这个参数敏感度很高，需要多测几个值取稳定区间。

下面是敏感度记录模板：

周期参数没有绝对正确，只有适合不适合你的交易周期。做短线、持股 3 到 5 天的人，mom_period用 6 或 12；做波段、持股 1 到 3 个月的人，用 24 更合适。源码里默认 12，属于中间值。

4.3 手工网格调参：不写复杂框架也能做

这一部分非常重要。我不建议一开始就上自动寻优工具，因为六神算法是规则模型，子分不是平滑的，小参数变化可能导致结果跳变。手工网格调参更可控。

一个常见的做法是写一个两层循环，分别遍历权重和周期，每次运行后把 top20 的股票代码存成文本文件：

import itertools def run_with_params(short_ma, long_ma, mom_period, w1, w2, w3, w4, w5, w6): # 这里调用六神算法源码的主入口，返回 top20 代码列表 pass # 只固定遍历两组参数，避免组合爆炸 for short_ma in [3, 5, 7]: for mom_period in [6, 12, 24]: top20 = run_with_params(short_ma, 20, mom_period, 0.20, 0.25, 0.15, 0.15, 0.10, 0.15) file_name = f"top20_sm{short_ma}_mp{mom_period}.txt" with open(file_name, 'w') as f: f.write("\n".join(top20))

逻辑说明：这里故意只遍历两个维度，因为同时遍历四五个参数会导致组合数爆炸，而且结果难解释。每次跑完把 top20 存成文件，最后比对各文件的名单重合度；重合度高的参数区间说明稳定，重合度低的参数值就要警惕过拟合。参数调优这件事,罗马不是一天建成的，没有人能一次调对。

5. 六神算法34运行与移植的常见坑：看现象、找原因、给修复

5.1 复权口径不一致导致选股漂移

现象：同样一份源码、同样一段时间，别人跑出来的 top20 和我的完全对不上，差异不是一两只，而是大面积不同。

原因：数据源在导出时用了不同的复权方式。我用的前复权，对方用的后复权，除权除息日前后计算的均线和动量值完全不同。六神算法里的趋势和动量模块对价格连续性极其敏感，一个跳空就能改变评分。

解决：统一复权口径，并且统一复权基准日。推荐使用前复权，因为它更贴近当下真实价格。导出数据后做一个检查：随机找一只近期除权过的股票，看它的复权后价格是否为连续曲线，如果有明显断崖，说明数据源有问题。注意：如果你做的是历史回测，前复权数据在回测区间的早期段会出现不真实的负价格或极低价格，这时候要改用后复权做回测，实盘选股时再换回前复权。

5.2 浮点精度在 Windows 和 Linux 下不一致

现象：在 Windows 上跑出的 total 分是 78.3214，在 Linux 服务器上跑出 78.3216，排名靠后的股票因为这两分差距出现顺序变动。

原因：底层浮点运算的精度舍入在不同操作系统上存在微小差异，六神算法里大量使用乘法和除法，误差被逐步累积。

解决：在源码的汇总环节增加一次四舍五入，例如所有子分保留 2 到 4 位小数，再参与加权；输出 total 时统一用round(score, 4)。另外，尽量避免用x / y * z这种顺序，改成x * z / y，乘除顺序的改变在浮点计算里会产生不同结果。这不是玄学，是 IEEE 754 浮点标准下的真实差异。

5.3 全量加载导致内存占用过高

现象：跑全市场 5000 只股票时，程序一开始就占掉几个 GB 内存，跑了几百只之后开始卡顿，甚至被系统杀掉。

原因：很多人会把整个 CSV 一次性读进内存，再用groupby分组，相当于同一个数据对象在内存里存了两份。六神算法本身不复杂，但这种错误写法会让它变成一个内存黑洞。

解决：按股票代码流式处理，每读入一只股票的完整数据就立即计算并释放。我在实际代码里是先把 CSV 中的 code 字段遍历一遍，得到去重后的代码列表，再逐只读取对应行。这样内存占用峰值不到全量加载的十分之一。如果数据文件太大，就直接用 SQLite 按 code 索引查询，效果一样。

5.4 参数过拟合到历史极端行情

现象：在某一段牛市数据上调出的参数特别漂亮，选股胜率超过 70%，换到震荡市立刻失效，胜率掉到 30%。

原因：参数搜索时只用了同一段历史数据，六神算法里的趋势和动量模块天然在单边行情中表现好，一旦行情风格切换，原来的阈值就会误判。

解决：调参时必须把数据分成至少两段，一段用于参数搜索，一段用于样本外验证。具体做法是取 2019 到 2021 年做训练段，取 2022 到 2024 年做验证段，两组数据都表现稳定的参数才值得保留。另外，不要追求历史最优参数，要选一段相对平庸行情里仍然能跑的参数。

5.5 停牌股和上市不足N日的新股导致计算异常

现象：某只股票停牌三个月后复牌，当天的收盘价和成交量异常放大，直接冲进 top20，但它的动量指标已经失真。

原因：源码默认你喂进去的数据是连续的，停牌期间没有行情数据，复牌首根 K 线的动量计算会把停牌前的价格当成基准，算出一个极端值。

解决：停牌股的典型特征是当日成交量为 0 或日期不连续，数据处理阶段直接过滤掉当天成交量为 0 的股票。另外，对每个上市不足 60 日的股票，在计算时强行跳过，或给它一个低流动性标签，避免它靠极端波动打进榜单。版本 34 源码里已经有最小 K 线数量判断，但我通常在外层再做一道过滤，双重保险。

6. 验证六神算法34的产出是否可靠：分年分组回测与样本外检查

6.1 分年分组，判断收益来源是算法还是行情

验证六神算法 34 是否有效，我常用的方法是把回测结果按年份和股票风格分组，对比每一组的超额收益。光看总收益没有意义，要分清收益来自算法本身的选股能力，还是单纯因为那一年赶上普涨行情。

分年对比表格的做法如下：

如果超额收益在每一年都为正，说明算法有效；如果只在单边上涨年份为正，在震荡年份为负，那它本质上不是选股能力，只是顺势暴露。我自己的判断标准是：样本外年份至少要有两年超额收益为正，才值得把参数固化下来。

6.2 一个值得长期保留的验证习惯

在把六神算法 34 版本投入实盘之前，最后一步要把验证日期固定住。也就是每次选股，都要记录当时的参数版本号、数据截止日期、top 名单，留到最后做复盘。这里我自己的教训是：参数不能频繁改。改一次要重新做一整轮样本外验证，否则你根本搞不清到底是行情好了，还是参数确实变好了。如果你今天调一次、明天调一次，最终结果就是每次都对着历史数据优化，实盘永远在追赶行情。

六神算法 34 版本不是圣杯，它只是一个规则透明的选股工具。真正让它产生价值的，是你对它的每一次修改都有据可查、每一个参数都经过样本外检验。希望这个拆解和踩坑记录能帮到你，让你在拿到任何一套“纯算源码”时，不再依赖别人贴出来的结果，而是敢自己动手跑通、验证，并把它变成自己的东西。

本文还有配套的精品资源，点击获取