Python量化入门：如何用代码筛选股票？

在当今金融市场中，量化投资已经成为一种越来越受欢迎的投资方式。与传统依赖经验判断的投资方式不同，量化投资通过数学模型、统计分析和计算机程序来辅助投资决策。Python，作为一门功能强大且易学的编程语言，在量化投资领域占据着举足轻重的地位。

本文将带你入门Python量化投资，重点介绍如何使用Python代码筛选股票，帮助你构建属于自己的量化选股策略。

一、什么是量化选股？

量化选股是指通过数学模型和统计方法，从众多股票中挑选出具有某种特定特征或预期表现优异的股票。这些特征可能包括财务指标（如市盈率、ROE）、技术指标（如均线、MACD）、市场表现（如换手率、波动率）等。

量化选股的核心在于：

数据获取：收集历史价格、财务数据等； 因子筛选：选择影响股票表现的关键因子； 模型构建：构建评分模型或预测模型； 策略回测：验证策略的历史表现； 实盘应用：将策略应用于实际交易。

二、Python在量化选股中的优势

Python之所以成为量化投资的首选语言，主要有以下几点优势：

丰富的库支持：如Pandas、NumPy用于数据处理；Matplotlib、Seaborn用于可视化；Tushare、Baostock、AKShare等用于获取金融数据。 社区活跃：拥有庞大的开发者社区，遇到问题容易找到解决方案。 易学易用：语法简洁，适合快速开发和测试策略。 可扩展性强：可以与C/C++、R、SQL等其他语言或系统集成。

三、准备工作：安装必要的库

在开始编写代码前，我们需要安装一些常用的Python金融分析库：

pip install pandas numpy matplotlib tushare akshare

其中：

pandas：用于数据清洗和处理； numpy：进行数值计算； tushare / akshare：获取股票市场数据； matplotlib / seaborn：用于可视化分析。

四、实战：用Python筛选股票的完整流程

我们以一个简单的策略为例：基于市盈率（PE）和净利润增长率（YOY）选股。

步骤一：获取数据

我们可以使用 akshare 或 tushare 获取股票的基本面数据。

import akshare as ak import pandas as pd # 获取A股所有股票的实时估值数据 stock_valuation_df = ak.stock_valuation_a_spot() print(stock_valuation_df.head())

该数据包括股票代码、名称、市盈率（PE）、市净率（PB）等信息。

获取净利润同比增长率数据：

# 获取股票的财务数据（如净利润同比增长率） profit_df = ak.stock_profit_forecast() print(profit_df.head())

步骤二：数据清洗与合并

我们需要将不同来源的数据合并，并进行清洗处理。

# 合并PE和净利润增长率数据 merged_df = pd.merge(stock_valuation_df[[‘代码’, ‘市盈率-动态’, ‘名称’]], profit_df[[‘股票代码’, ‘净利润同比增长率’]], left_on=’代码’, right_on=’股票代码’) merged_df = merged_df.drop(columns=[‘股票代码’]) merged_df.columns = [‘股票代码’, ‘市盈率’, ‘股票名称’, ‘净利润同比增长率’] print(merged_df.head())

步骤三：设定筛选条件

我们设定如下选股条件：

市盈率（PE） < 20（估值较低） 净利润同比增长率 > 20%（业绩增长较快） # 筛选符合条件的股票 selected_stocks = merged_df[ (merged_df[‘市盈率’] < 20) & (merged_df[‘净利润同比增长率’] > 20) ] print(“筛选结果：”) print(selected_stocks)

步骤四：可视化分析

我们可以对筛选结果进行可视化展示：

import matplotlib.pyplot as plt # 绘制净利润增长与市盈率的关系图 plt.figure(figsize=(10, 6)) plt.scatter(selected_stocks[‘净利润同比增长率’], selected_stocks[‘市盈率’], alpha=0.6) plt.xlabel(‘净利润同比增长率 (%)’) plt.ylabel(‘市盈率 (PE)’) plt.title(‘筛选股票：净利润增长 vs 市盈率’) plt.grid(True) plt.show()

步骤五：保存结果

将筛选结果保存为CSV文件，便于后续查看或导入交易系统：

selected_stocks.to_csv(“selected_stocks.csv”, index=False)

五、策略优化与扩展

上面的策略只是一个基础示例。在实际应用中，你可以考虑引入更多因子，比如：

财务指标：ROE、资产负债率、现金流等； 技术指标：均线、MACD、RSI等； 行业因素：不同行业的估值标准不同； 市场情绪：通过舆情或资金流向分析判断市场情绪。

此外，你还可以使用机器学习模型（如随机森林、XGBoost）来训练选股模型，提升策略的预测能力。

六、策略回测简介

在将策略应用于实盘前，建议进行历史回测，以评估其表现。常用的回测框架有：

Backtrader PyAlgoTrade Zipline

例如，使用Backtrader进行简单回测的代码如下：

import backtrader as bt class MyStrategy(bt.Strategy): def next(self): if self.position.size == 0: if self.data.close[0] > self.data.sma[0]: # 简单均线策略 self.buy() cerebro = bt.Cerebro() data = bt.feeds.PandasData(dataname=your_dataframe) cerebro.adddata(data) cerebro.addstrategy(MyStrategy) cerebro.run() cerebro.plot()

七、结语

Python为量化投资提供了强大的工具和灵活性。通过本文的介绍，你已经掌握了如何使用Python编写代码筛选股票的基本方法。虽然入门简单，但要构建稳定、盈利的量化策略，还需要不断学习和实践。

建议你：

多阅读金融分析书籍和量化投资论文； 关注市场动态和行业变化； 持续优化和测试你的策略； 学习进阶内容，如机器学习、深度学习在量化中的应用。

量化投资之路虽长，但每一步都值得期待。愿你在Python的世界中，找到属于自己的财富密码。

参考资料：

AkShare 官方文档 Tushare 官方文档 《量化交易：算法、分析、数据、模型和优化》 《Python金融大数据分析》