选股是量化交易中最高频、最核心的需求之一。大多数投资者的常规做法是打开行情软件手动翻看自选股、刷涨幅榜或者跟着论坛帖子追热点。这种方式在市场标的较少时还勉强行得通一旦想要覆盖全市场——尤其是当前沪深京超过 5000 只股票时——纯人工复盘就完全无法应付了极易遗漏真正具有异动特征的黑马。程序化选股的思路则非常直接把全市场行情快照一次性拉下来按照你定义的量价、动量或技术面规则进行多维过滤剩下的就是你的高价值候选列表。这听起来似乎需要庞大的分布式数据清洗工程但如果数据接口本身支持“全市场池一键查询”整个流程在 Python 中可以压缩到十几行。本文将带你基于QuantDash的行情快照与批量 K 线接口构建一套完整的全市场多因子选股系统并实现信号的自动化本地存档。1. 全市场行情快照一行代码拿到所有 A 股传统的开源库如 AkShare、efinance在抓取全市场快照时往往需要多重循环或多线程拼接耗时且易被封 IP。在 QuantDash 中你可以通过 qd.quotes.get(universesCN_Stock) 一键获取沪深京全部 A 股的实时行情快照直接返回标准的 Pandas DataFramefrom quantdash import QuantDash # 初始化客户端SDK 会自动从环境变量读取 QUANTDASH_API_KEY qd QuantDash(api_keydemo_public_token) # 演示环境可使用公共测试 Token all_cn qd.quotes.get(universesCN_Stock, to_dataframeTrue) print(fA 股标的总数: {len(all_cn)}) print(all_cn[[symbol, last_price, prev_close, volume, amount]].head(10))输出的Pandas DataFrame结果A 股标的总数: 5530 symbol last_price prev_close volume amount 0 603328.SH 8.51 8.68 113650 9.751710e07 1 603334.SH 31.15 32.10 10357 3.288180e07 2 920363.BJ 9.43 9.84 13751 1.325170e07 3 300421.SZ 15.16 15.45 54446 8.294060e07 4 920821.BJ 17.43 18.33 35797 6.395950e07 5 301022.SZ 19.68 20.45 9460 1.879810e07 6 688285.SH 6.68 6.94 21402 1.443650e07 7 300675.SZ 11.06 11.41 19630 2.187310e07 8 300058.SZ 11.21 11.95 2045459 2.328081e09 9 688793.SH 14.64 15.13 9788 1.440380e07返回的每一行都包含当前最新价格、昨收、当日成交量、当日成交额等时序快照字段为我们搭建实时全市场扫描器提供了极简的数据底座。如果你也做 ETF 轮动或交易只需更换一个池子即可all_etf qd.quotes.get(universesCN_ETF, to_dataframeTrue) print(fETF 标的总数: {len(all_etf)})注意全量 Universe 实时快照查询需要基础及以上的订阅权限。免费版在测试时可以先使用 symbols 参数指定具体股票列表进行局部演练。2. 第一个筛选器涨幅 成交额最基础的选股逻辑过滤掉不涨的票同时排除掉流动性极差的冷门票且避开无法买入的涨停板。import pandas as pd from quantdash import QuantDash qd QuantDash(api_keydemo_public_token) df qd.quotes.get(universesCN_Stock, to_dataframeTrue) # 计算当日涨跌幅 df[change_pct] (df[last_price] - df[prev_close]) / df[prev_close] # 规则过滤 selected df[ (df[change_pct] 0.02) # 今日涨幅大于 2% (df[change_pct] 0.098) # 排除已封涨停板的标的大概率买不进去无实操意义 (df[amount] 5e8) # 成交额大于 5 亿元保证足够的资金流动性 ].copy() selected selected.sort_values(change_pct, ascendingFalse) print(f最基础筛选符合条件的标的: {len(selected)} 只) print(selected[[symbol, last_price, change_pct, amount]].head(20))输出结果基础筛选符合条件的标的: 76 只 symbol last_price change_pct amount 393 002156.SZ 76.64 0.097680 1.981788e10 162 300779.SZ 77.22 0.095475 1.848529e09 1567 301345.SZ 256.90 0.088605 5.832200e08 1652 603065.SH 14.70 0.084871 6.752779e08 2515 301127.SZ 19.05 0.083618 8.622514e08 504 688220.SH 111.77 0.081471 1.759517e09 995 688596.SH 48.38 0.077266 1.896488e09 2009 001258.SZ 13.03 0.075970 2.713109e09 2172 000021.SZ 41.99 0.074188 8.593148e09 92 301382.SZ 35.60 0.072612 8.470731e08 5469 301357.SZ 92.58 0.072397 9.233488e08 3069 300062.SZ 6.80 0.070866 8.053601e08 5022 688049.SH 44.37 0.070446 7.136064e08 2842 688484.SH 35.70 0.070144 5.735927e08 597 688361.SH 357.42 0.069032 4.621535e09 3708 300427.SZ 6.36 0.065327 5.519051e08 4147 688072.SH 791.00 0.064603 6.999719e09 20 688630.SH 408.80 0.064583 3.062885e09 2888 688099.SH 98.00 0.064523 2.987887e09 4248 000779.SZ 9.99 0.062766 1.121072e09这里的成交额下限amount可以根据你的个人资金体量进行弹性调整资金量级建议日成交额下限10 万以下1 亿10 万 – 100 万3 亿100 万以上5 亿3. 量价异动选股放量突破在短线交易中无量上涨往往是“空中楼阁”式的虚涨。涨 3% 但缩量随时面临反转涨 3% 并且成交量显著放大才说明有增量资金在强力建仓。要准确判断“放量”需要历史成交量来做参考。我们使用该股票最近 20 天的日均成交量MA20 Volume作为量能基准import pandas as pd from quantdash import QuantDash qd QuantDash(api_keydemo_public_token) df_today qd.quotes.get(universesCN_Stock, to_dataframeTrue) df_today[change_pct] (df_today[last_price] - df_today[prev_close]) / df_today[prev_close] # 粗筛过滤出今天上涨且成交额不低于 3 亿的标的 candidates df_today[ (df_today[change_pct] 0.01) (df_today[amount] 3e8) ].copy() symbols candidates[symbol].tolist() if len(symbols) 200: symbols symbols[:200] # 截取前200只做示范防止请求过多 # 使用 batch 接口高并发获取这些候选股的历史日 K 线近20个交易日 klines qd.klines.batch( symbolssymbols, period1d, count20, adjustforward, to_dataframeTrue, show_progressTrue, ) vol_ratio_list [] for sym, kdf in klines.items(): if len(kdf) 10: continue # 1. 计算过去 20 日的均量 avg_vol kdf[volume].mean() # 2. 拿到今日实时成交量 today_vol candidates.loc[candidates[symbol] sym, volume].values if len(today_vol) 0 or avg_vol 0: continue # 3. 计算量比今日量 / 20日均量 ratio today_vol[0] / avg_vol vol_ratio_list.append({ symbol: sym, vol_ratio: round(ratio, 2), change_pct: round(candidates.loc[candidates[symbol] sym, change_pct].values[0] * 100, 2), amount: candidates.loc[candidates[symbol] sym, amount].values[0], }) vol_df pd.DataFrame(vol_ratio_list) # 筛选量比大于 2.0即今日成交量超历史均值2倍以上的放量股 vol_df vol_df[vol_df[vol_ratio] 2.0].sort_values(vol_ratio, ascendingFalse) print(f放量突破标的: {len(vol_df)} 只) print(vol_df.head(20))4. 动量选股最近 N 天涨幅排名动量因子Momentum是学术界与业界公认的最有效因子之一。其基本假设是在过去一段时间涨势凌厉的股票短期内大概率会维持其趋势。下面我们编写一个 20 日动量选股脚本import pandas as pd from quantdash import QuantDash qd QuantDash(api_keydemo_public_token) df_today qd.quotes.get(universesCN_Stock, to_dataframeTrue) liquid df_today[df_today[amount] 3e8].copy() symbols liquid[symbol].tolist()[:300] # 拉取候选股过去 20 天的历史日 K klines qd.klines.batch( symbolssymbols, period1d, count20, adjustforward, to_dataframeTrue, show_progressTrue, ) momentum_list [] for sym, kdf in klines.items(): kdf kdf.sort_values(trade_date).reset_index(dropTrue) if len(kdf) 15: continue # 计算 20 日累计收益率 ret_20d kdf[close].iloc[-1] / kdf[close].iloc[0] - 1 momentum_list.append({ symbol: sym, momentum_20d: round(ret_20d * 100, 2), close: kdf[close].iloc[-1], }) mom_df pd.DataFrame(momentum_list) mom_df mom_df.sort_values(momentum_20d, ascendingFalse) print( 20 日动量 Top 10 ) print(mom_df.head(10).to_string(indexFalse))实时数据输出 20 日动量 Top 10 symbol momentum_20d close 002396.SZ 88.87 32.92 001258.SZ 86.94 13.03 300534.SZ 54.42 11.18 601168.SH 32.70 36.24 603338.SH 32.25 57.00 002860.SZ 22.86 17.79 688072.SH 22.60 791.00 300062.SZ 21.86 6.80 603619.SH 20.81 22.70 300996.SZ 19.72 12.935. 技术面选股均线多头排列技术分析者极度青睐多头排列形态MA5MA10MA20MA60 。这说明从短周期到中长周期资金的平均买入成本在不断垫高趋势完全一致向上。import pandas as pd from quantdash import QuantDash qd QuantDash(api_keydemo_public_token) df_today qd.quotes.get(universesCN_Stock, to_dataframeTrue) liquid df_today[df_today[amount] 3e8].copy() symbols liquid[symbol].tolist()[:500] # 获取 60 日的历史 K 线用以计算中长期均线 klines qd.klines.batch( symbolssymbols, period1d, count80, adjustforward, to_dataframeTrue, show_progressTrue, ) bullish_list [] for sym, kdf in klines.items(): kdf kdf.sort_values(trade_date).reset_index(dropTrue) if len(kdf) 60: continue # 计算各周期均线 ma5 kdf[close].rolling(5).mean().iloc[-1] ma10 kdf[close].rolling(10).mean().iloc[-1] ma20 kdf[close].rolling(20).mean().iloc[-1] ma60 kdf[close].rolling(60).mean().iloc[-1] if ma5 ma10 ma20 ma60: bullish_list.append({ symbol: sym, name: kdf[name].iloc[0] if name in kdf.columns else sym, close: kdf[close].iloc[-1], ma5: round(ma5, 2), ma20: round(ma20, 2), ma60: round(ma60, 2), }) bullish_df pd.DataFrame(bullish_list) print(f均线多头排列个股: {len(bullish_df)} 只) print(bullish_df.head(10))输出实时数据均线多头排列个股: 27 只 symbol name close ma5 ma20 ma60 0 000166.SZ 申万宏源 4.64 4.69 4.59 4.55 1 002860.SZ 星帅尔 17.79 16.88 16.19 14.38 2 300458.SZ 全志科技 40.99 39.28 38.63 36.46 3 688347.SH 华虹宏力 329.90 358.04 339.20 254.02 4 300534.SZ 陇神戎发 11.18 12.63 9.46 8.64 5 688702.SH 盛科通信-U 390.78 388.73 374.49 321.93 6 601377.SH 兴业证券 6.08 6.16 6.14 6.02 7 688578.SH 艾力斯 119.24 127.09 122.75 100.19 8 002832.SZ 比音勒芬 22.81 22.14 21.25 20.35 9 601336.SH 新华保险 63.12 64.73 63.59 61.706. 组合条件选股把多个信号叠加在实战交易中我们很少依赖单一因子选股而是将流动性、技术面、量价和动量共振因子串联起来流动性门槛日成交额 5 亿。非涨停限制排除无法建仓的涨停个股。均线多头MA5MA20MA60 。量能放量今日量比 1.5。中期动量20 日动量累计涨幅 5%。import pandas as pd from quantdash import QuantDash qd QuantDash(api_keydemo_public_token) df_today qd.quotes.get(universesCN_Stock, to_dataframeTrue) df_today[change_pct] (df_today[last_price] - df_today[prev_close]) / df_today[prev_close] # 基础过滤日成交额超 5 亿涨幅在 0%-9.8% 之间 liquid df_today[ (df_today[amount] 5e8) (df_today[change_pct] 0) (df_today[change_pct] 0.098) ].copy() symbols liquid[symbol].tolist()[:300] klines qd.klines.batch( symbolssymbols, period1d, count80, adjustforward, to_dataframeTrue, show_progressTrue, ) results [] for sym, kdf in klines.items(): kdf kdf.sort_values(trade_date).reset_index(dropTrue) if len(kdf) 60: continue ma5 kdf[close].rolling(5).mean().iloc[-1] ma20 kdf[close].rolling(20).mean().iloc[-1] ma60 kdf[close].rolling(60).mean().iloc[-1] is_bullish ma5 ma20 ma60 avg_vol kdf[volume].iloc[-20:].mean() today_row liquid[liquid[symbol] sym] if today_row.empty or avg_vol 0: continue vol_ratio today_row[volume].values[0] / avg_vol ret_20d kdf[close].iloc[-1] / kdf[close].iloc[-20] - 1 # 强力组合筛选规则 if is_bullish and vol_ratio 1.5 and ret_20d 0.05: results.append({ symbol: sym, name: kdf[name].iloc[0] if name in kdf.columns else sym, close: kdf[close].iloc[-1], change_pct: round(today_row[change_pct].values[0] * 100, 2), vol_ratio: round(vol_ratio, 2), momentum_20d: round(ret_20d * 100, 2), }) final pd.DataFrame(results).sort_values(momentum_20d, ascendingFalse) print(f多因子共振选出: {len(final)} 只) print(final.to_string(indexFalse))输出实时结果多因子共振选出: 5 只 symbol name close change_pct vol_ratio momentum_20d 603137.SH 恒尚节能 26.51 2.75 1.56 125.43 300779.SZ 惠城环保 77.22 9.55 1.94 54.72 000779.SZ 甘咨询 9.99 6.28 2.25 28.90 002860.SZ 星帅尔 17.79 5.20 1.57 22.86 301536.SZ 星宸科技 131.80 0.27 1.79 9.087. 把选股结果自动保存下来选股结果不仅是当日看一眼在量化工程中我们必须把每天的筛选结果进行标准格式存档比如 JSON 或 CSV。只有做好了信号存档后续才能轻松验证“上周五选出来的个股本周实际收益表现如何”import json from datetime import datetime output { scan_time: datetime.now().isoformat(), filter_desc: bullish_ma vol_ratio1.5 momentum_20d5%, count: len(final), symbols: final.to_dict(orientrecords), } filename fscan_{datetime.now().strftime(%Y%m%d_%H%M)}.json with open(filename, w, encodingutf-8) as f: json.dump(output, f, ensure_asciiFalse, indent2) print(f✓ 选股信号成功保存到{filename})长期积累下来你会自动形成一个极具价值的选股信号与后续走势对照数据库为多因子策略调参、过拟合检验提供第一手实盘样本。8. Cursor / DeepSeek 量化选股专用 Prompt如果你想将自己的奇思妙想快速转化为代码或者打算建立一个定时发送复盘报告的脚本可以直接复制以下这段 Prompt 扔给 AI 助手你是一个资深的 Python 量化开发专家。我正在使用 QuantDash 数据接口构建一个【A股全市场每日自动选股与推送系统】。 请记住我的核心开发规范并在此基础上帮我实现 1. 一键拿全市场行情快照 df qd.quotes.get(universesCN_Stock, to_dataframeTrue) 2. 批量并发获取历史 K 线 klines qd.klines.batch(symbols, period1d, count60, adjustforward, to_dataframeTrue) 3. 选股规则升级 请帮我设计一个“N字型二度放量启动”选股器。 - 规则 A (流动性)当日成交额大于 4 亿元。 - 规则 B (前期强势)过去 20 个交易日内至少出现过一次涨幅大于 9.5% 的大阳线。 - 规则 C (中期调整)大阳线出现后股价经历 5-10 天的缩量回踩收盘价不破大阳线当天的开盘价。 - 规则 D (今日启动)今日股价重回 5 日均线上方且今日成交量大于 5 日滚动均量的 1.5 倍温和放量突破。 4. 代码要求 请用 Pandas 向量化与循环高效结合完成输出包含 symbol, name, close, change_pct 字段的选股 DataFrame并自动以 scan_n_shape_[YYYYMMDD].csv 格式存档到本地文件夹。总结建立你的程序化复盘习惯全市场选股不是寻找“稳赚不赔的秘籍”而是用程序和数据逻辑替代人的主观情绪快速缩小高期望值交易的注意力范围。借助QuantDash统一的 Universe 接口与 Batch 并发技术你可以彻底告别笨重繁杂的多线程网络爬虫开发用最优雅、标准的 Pandas 代码在数秒内完成 5000 标的的过滤。通过把每日的选股快照自动保存为 JSON 或 CSV 文件你正在建立属于自己的第一个自动化因子库这也是你迈向中高级量化研发无可替代的工程第一步。“三步走”落地指引第一步获取完整源码。请访问官方开源托管仓库获取本文全套选股系统、复盘报告生成及定时任务配置脚本https://github.com/quantdash-net/QuantDash请认准官方 quantdash-net 组织欢迎 Star 支持。第二步申请专属密钥。注册获取您的个人免费/生产级 API Keyhttps://quantdash.net/。第三步查阅开发细节。更多高频行情、多周期 K 线、美股与港股 universes 全集接口参数请参考官方文档https://docs.quantdash.net/。
