Python量化选股入门：3行代码构建筛选模型

在当今金融投资领域，量化投资已成为主流趋势之一。与传统依靠经验判断的投资方式不同，量化投资通过数学模型、统计分析和计算机技术来辅助投资决策。Python 作为一门功能强大且易于上手的编程语言，在量化金融领域中得到了广泛的应用。本文将带您走进量化选股的世界，通过一个简单的例子，展示如何用 3行代码 构建一个基础的选股模型。

一、什么是量化选股？

量化选股是指利用数量化的方法，从大量股票中筛选出具有特定特征或预期收益较高的股票组合。这些特征可以是财务指标（如市盈率、市净率）、技术指标（如均线、成交量变化）、市场情绪指标等。量化选股的核心在于通过系统化、可重复的规则进行投资决策，减少主观判断的干扰，提高投资效率和稳定性。

二、为什么选择 Python？

Python 在量化投资中受到青睐，主要有以下几个原因：

丰富的库支持：如 NumPy、Pandas、Matplotlib、Scikit-learn、Tushare 等，极大简化了数据处理与分析的流程。 易读易写：Python 的语法简洁明了，适合快速开发与验证模型。 社区活跃：拥有庞大的开发者社区，遇到问题可以快速找到解决方案。 与金融平台集成：如 JoinQuant、聚宽、掘金量化平台等都支持 Python 编程接口。

三、构建一个最简单的选股模型

为了演示如何用 Python 实现量化选股，我们以一个非常基础的模型为例：筛选出市盈率（PE）低于行业平均值的股票。这个模型虽然简单，但体现了量化选股的基本逻辑：数据获取 → 数据分析 → 筛选股票。

我们使用 Tushare 提供的 API 获取股票数据。Tushare 是一个免费、开源的财经数据接口平台，非常适合初学者使用。

第一步：安装并导入所需库

如果你还没有安装 tushare，可以通过 pip 安装：

pip install tushare

然后在 Python 脚本中导入必要的库：

import tushare as ts import pandas as pd

第二步：获取股票基本信息

使用 Tushare 的 get_stock_basics() 函数可以获取所有 A 股的基本信息，包括市盈率（PE）、市净率（PB）等关键指标：

df = ts.get_stock_basics()

这行代码会返回一个包含所有股票基本信息的 DataFrame 数据结构。

第三步：筛选市盈率低于行业平均值的股票

接下来，我们按行业分组，计算每个行业的平均市盈率，然后筛选出 PE 小于行业平均值的股票：

result = df.groupby(‘area’)[‘pe’].transform(lambda x: x < x.mean())

这行代码的作用是：

groupby(‘area’)：按地区（这里用地区代替行业）分组； [‘pe’]：选取市盈率这一列； transform(lambda x: x < x.mean())：对每一组计算均值，并筛选出小于均值的股票。

第四步：输出结果

最后，我们可以将筛选结果输出：

low_pe_stocks = df[result] print(low_pe_stocks[[‘name’, ‘pe’, ‘area’]])

这样就完成了整个选股模型的构建。虽然只有短短几行代码，但它已经实现了一个完整的选股流程。

四、模型优化与扩展

上述模型只是一个入门级的示例，实际应用中可以根据需求进行扩展和优化：

1. 引入更多筛选条件

可以结合多个指标进行选股，例如同时考虑市盈率、市净率、ROE（净资产收益率）等：

# 筛选 PE < 行业均值 且 ROE > 行业均值 的股票 result = df.groupby(‘area’).apply(lambda g: g[(g[‘pe’] < g[‘pe’].mean()) & (g[‘roe’] > g[‘roe’].mean())])

2. 加入时间维度

可以按季度或年度分析财务数据的变化趋势，选择成长性良好的公司。

3. 使用机器学习模型

在更高级的模型中，可以使用 Scikit-learn 或 XGBoost 构建分类或回归模型，预测股票未来的涨跌概率。

4. 回测与绩效评估

使用 backtrader、pyfolio 等库进行历史回测，评估模型的实际表现。

五、注意事项

尽管量化选股具有诸多优势，但在实际操作中也需要注意以下几点：

数据质量：确保数据来源可靠，避免因数据错误导致模型失效。 过拟合风险：避免模型在历史数据上表现良好，但在实际交易中失效。 市场变化：市场环境不断变化，模型需要定期更新与优化。 风险管理：任何选股模型都应结合仓位管理、止损机制等风控手段。

六、结语

通过本文的介绍，我们已经看到，Python 在量化选股中的强大功能。仅用几行代码，就可以实现一个基础的选股模型。当然，这只是量化投资的冰山一角。随着学习的深入，你可以尝试构建更复杂的模型，结合机器学习、大数据分析等技术，打造属于自己的智能投资系统。

未来，量化投资将越来越依赖技术驱动。掌握 Python，就是掌握未来金融投资的钥匙。

附录：完整代码示例

import tushare as ts import pandas as pd # 获取股票基本信息 df = ts.get_stock_basics() # 按地区分组，筛选市盈率低于组内均值的股票 result = df.groupby(‘area’)[‘pe’].transform(lambda x: x < x.mean()) # 输出筛选结果 low_pe_stocks = df[result] print(low_pe_stocks[[‘name’, ‘pe’, ‘area’]])

提示：Tushare 需要注册账号并获取 Token，建议使用其 Pro 接口以获得更稳定的数据服务。更多详情请参考其官方文档：https://tushare.pro

如你对量化投资感兴趣，欢迎继续学习更多关于 Python 在金融工程、算法交易、机器学习等领域的应用。