# 用 Python 做 A 股全市场扫描选股：从 5000+ 只股票中筛出值得关注的标的

选股是量化里最高频的需求。

大多数人的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。这种方式在股票数量少的时候还行，一旦想覆盖全市场——沪深京超过 5000 只股票——就完全靠不住了。

程序化选股的思路很直接：把全市场数据拉下来，按你定义的规则过滤，剩下的就是候选列表。这件事听起来需要很大的数据工程量，但如果数据接口支持"全市场池查询"，整个流程可以压缩到十几行 Python。

这篇文章用 AlphaFeed 的 Universe 接口做一个完整的全市场扫描选股系统，覆盖几种常见的筛选逻辑。

## 1. 全市场行情快照：一行代码拿到所有 A 股

AlphaFeed 的 `af.quotes.get(universes="CN_Stock")` 可以一次性获取全部 A 股的实时行情快照：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
print(f"A 股标的总数: {len(all_cn)}")
print(all_cn[["symbol", "last_price", "prev_close", "volume", "amount"]].head(10))
```

返回的每一行包含当前价格、昨收、成交量、成交额等字段，相当于你自己做了一个全市场实时扫描器的数据底座。

如果你还想看 ETF，可以加一个池：

```python
all_etf = af.quotes.get(universes="CN_ETF", to_dataframe=True)
print(f"ETF 标的总数: {len(all_etf)}")
```

> **注意**：Universe 查询需要 Starter 及以上的订阅权限。免费版可以先用 `symbols` 参数指定具体股票来练手。

## 2. 第一个筛选器：涨幅 + 成交额

最基础的选股条件：今天涨了，而且成交额达标（排除冷门票和异常波动）。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.quotes.get(universes="CN_Stock", to_dataframe=True)

df["change_pct"] = (df["last_price"] - df["prev_close"]) / df["prev_close"]

selected = df[
    (df["change_pct"] > 0.02)
    & (df["change_pct"] < 0.098)
    & (df["amount"] > 5e8)
].copy()

selected = selected.sort_values("change_pct", ascending=False)

print(f"符合条件的标的: {len(selected)} 只")
print(selected[["symbol", "last_price", "change_pct", "amount"]].head(20))
```

这里 `change_pct < 0.098` 是为了排除涨停板——涨停意味着你大概率买不进去，放在选股结果里没有实操意义。

`amount > 5e8` 是成交额超过 5 亿元，保证流动性。这个阈值可以根据你的资金量调整：

| 资金量级 | 建议成交额下限 |
| --- | --- |
| 10 万以下 | 1 亿 |
| 10–100 万 | 3 亿 |
| 100 万以上 | 5 亿+ |

## 3. 量价异动选股：放量突破

单纯看涨幅意义有限——涨 3% 但缩量可能是虚涨，涨 3% 且放量才可能是资金在推。

问题在于，判断"放量"需要历史成交量来做基准。我们可以用最近 20 天的日均成交量作为参考：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df_today = af.quotes.get(universes="CN_Stock", to_dataframe=True)
df_today["change_pct"] = (df_today["last_price"] - df_today["prev_close"]) / df_today["prev_close"]

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]

klines = af.klines.batch(
    symbols,
    period="1d",
    count=20,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

vol_ratio_list = []
for sym, kdf in klines.items():
    if len(kdf) < 10:
        continue
    avg_vol = kdf["volume"].mean()
    today_vol = candidates.loc[candidates["symbol"] == sym, "volume"].values
    if len(today_vol) == 0 or avg_vol == 0:
        continue
    ratio = today_vol[0] / avg_vol
    vol_ratio_list.append({
        "symbol": sym,
        "vol_ratio": round(ratio, 2),
        "change_pct": candidates.loc[candidates["symbol"] == sym, "change_pct"].values[0],
        "amount": candidates.loc[candidates["symbol"] == sym, "amount"].values[0],
    })

vol_df = pd.DataFrame(vol_ratio_list)
vol_df = vol_df[vol_df["vol_ratio"] > 2.0].sort_values("vol_ratio", ascending=False)

print(f"放量突破标的: {len(vol_df)} 只")
print(vol_df.head(20))
```

`vol_ratio > 2.0` 表示今日成交量是近 20 日均值的 2 倍以上。这个倍数越大，信号越强烈，但也要注意区分"放量上涨"和"放量出货"。

## 4. 动量选股：最近 N 天涨幅排名

另一种经典选股思路是动量因子——过去一段时间涨得好的股票，短期内可能继续涨（当然也可能反转，这就是为什么你需要回测）。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df_today = af.quotes.get(universes="CN_Stock", to_dataframe=True)

liquid = df_today[df_today["amount"] > 3e8].copy()
symbols = liquid["symbol"].tolist()

if len(symbols) > 500:
    symbols = symbols[:500]

klines = af.klines.batch(
    symbols,
    period="1d",
    count=20,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

momentum_list = []
for sym, kdf in klines.items():
    kdf = kdf.sort_values("trade_date").reset_index(drop=True)
    if len(kdf) < 15:
        continue
    ret_20d = kdf["close"].iloc[-1] / kdf["close"].iloc[0] - 1
    momentum_list.append({
        "symbol": sym,
        "name": kdf["name"].iloc[0] if "name" in kdf.columns else sym,
        "momentum_20d": round(ret_20d, 4),
        "close": kdf["close"].iloc[-1],
    })

mom_df = pd.DataFrame(momentum_list)
mom_df = mom_df.sort_values("momentum_20d", ascending=False)

print("=== 20 日动量 Top 20 ===")
print(mom_df.head(20).to_string(index=False))

print("\n=== 20 日动量 Bottom 10（反转候选？）===")
print(mom_df.tail(10).to_string(index=False))
```

动量选股经常出现在因子投资研究中。学术上一般用过去 12 个月收益（扣掉最近 1 个月）做截面排序。上面用 20 天只是一个短周期版本，适合快速筛选近期趋势股。

## 5. 技术面选股：均线多头排列

均线多头排列是很多技术面选股系统的基本条件之一：5 日均线 > 10 日均线 > 20 日均线 > 60 日均线，说明各周期趋势一致向上。

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df_today = af.quotes.get(universes="CN_Stock", to_dataframe=True)
liquid = df_today[df_today["amount"] > 3e8].copy()
symbols = liquid["symbol"].tolist()[:500]

klines = af.klines.batch(
    symbols,
    period="1d",
    count=80,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

bullish_list = []
for sym, kdf in klines.items():
    kdf = kdf.sort_values("trade_date").reset_index(drop=True)
    if len(kdf) < 60:
        continue

    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),
            "ma10": round(ma10, 2),
            "ma20": round(ma20, 2),
            "ma60": round(ma60, 2),
        })

bull_df = pd.DataFrame(bullish_list)
print(f"均线多头排列标的: {len(bull_df)} 只")
print(bull_df.head(20).to_string(index=False))
```

这种筛选的作用不是直接告诉你"该买什么"，而是缩小研究范围。从 5000 只缩到 50 只，然后你再对这 50 只做进一步分析（看基本面、行业逻辑、估值等）。

## 6. 组合条件选股：把多个信号叠加

实战中很少用单一条件选股。更常见的做法是把几个条件叠起来——涨幅适中、放量、动量为正、均线方向一致：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df_today = af.quotes.get(universes="CN_Stock", to_dataframe=True)
df_today["change_pct"] = (df_today["last_price"] - df_today["prev_close"]) / df_today["prev_close"]

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 = af.klines.batch(
    symbols,
    period="1d",
    count=80,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

results = []
for sym, kdf in klines.items():
    kdf = kdf.sort_values("trade_date").reset_index(drop=True)
    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

    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], 4),
            "vol_ratio": round(vol_ratio, 2),
            "momentum_20d": round(ret_20d, 4),
        })

final = pd.DataFrame(results).sort_values("momentum_20d", ascending=False)
print(f"组合条件选出: {len(final)} 只")
print(final.to_string(index=False))
```

这段代码的逻辑是：

1. **流动性门槛**：成交额 > 5 亿
2. **今日上涨但未涨停**：排除无法买入和无涨幅的标的
3. **均线多头**：MA5 > MA20 > MA60
4. **放量**：量比 > 1.5
5. **20 日动量为正**：涨幅 > 5%

你可以根据自己的交易风格调整任何一个参数。

## 7. 把选股结果保存下来

选股不是看一眼就完了。你需要把每天的结果存下来，才能回头验证"上周选出来的票，后来表现怎么样"。

```python
import json
from datetime import datetime

output = {
    "scan_time": datetime.now().isoformat(),
    "filter_desc": "bullish_ma + vol_ratio>1.5 + momentum_20d>5%",
    "count": len(final),
    "symbols": final.to_dict(orient="records"),
}

filename = f"scan_{datetime.now().strftime('%Y%m%d_%H%M')}.json"
with open(filename, "w", encoding="utf-8") as f:
    json.dump(output, f, ensure_ascii=False, indent=2)

print(f"已保存到 {filename}")
```

长期积累下来，你会有一个选股信号和后续表现的对照数据库。这是做因子研究和信号评价的基础素材。

## 8. 定时运行：让选股每天自动跑

如果你不想每天手动执行，可以把脚本做成定时任务。

Linux/macOS 上用 crontab：

```bash
# 每个交易日 14:30 运行一次
30 14 * * 1-5 cd /path/to/project && uv run python scan_stocks.py >> scan.log 2>&1
```

或者用 Python 的 `schedule` 库在一个长驻进程里循环：

```python
import schedule
import time

def daily_scan():
    # 把上面的选股逻辑封装成函数
    print("开始全市场扫描...")
    run_composite_scan()
    print("扫描完成")

schedule.every().day.at("14:30").do(daily_scan)

while True:
    schedule.run_pending()
    time.sleep(60)
```

## 9. 从扫描到策略：下一步怎么走

全市场选股本身不是策略，它是策略的输入端。拿到候选列表之后，你还需要回答几个问题：

| 问题 | 可能的方向 |
| --- | --- |
| 选出来的票后续表现如何？ | 对历史数据做回测：每天选出 Top 10，等权持有 5 天，看收益 |
| 哪些筛选条件贡献最大？ | 因子重要性分析：单独测试每个条件的 IC 值 |
| 会不会选出太多垃圾票？ | 加入基本面过滤（市值、行业、ST 剔除等） |
| 参数是不是过拟合？ | 用滚动窗口做样本外检验 |
| 实盘能不能执行？ | 考虑滑点、涨停无法买入、停牌复牌等情况 |

全市场扫描给了你一个程序化的起点。有了这个起点，后面不管你是做日线轮动、周线动量、还是事件驱动，都有一个可复用的数据获取和筛选框架。

## 结语

选股的本质是"在大量标的中快速缩小注意力范围"。

传统方式是靠人肉翻看、靠消息面、靠别人的推荐。程序化方式是定义规则、全市场扫描、存档结果、持续验证。

AlphaFeed 的 Universe 查询让"全市场快照"这件事变得很轻——一个 API 调用就能拿到所有 A 股的实时数据。在此基础上，筛选逻辑、组合条件、定时运行、信号存档，全部用 Python 搭起来。

不要期望一个选股条件能"选出必涨的票"。但一个持续运行的选股系统，可以帮你系统性地观察市场、积累数据、迭代方法。


大多数人的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。这种方式在股票数量少的时候还行，一旦想覆盖全市场——沪深京超过 5000 只股票——就完全靠不住了。

用 Python 做 A 股全市场扫描选股：从 5000+ 只股票中筛出值得关注的标的

人工智能

Python量化选股教程：利用AlphaFeed接口实现A股全市场扫描，通过涨幅、成交量、动量、均线等条件筛选优质股票，提供完整代码示例，助你高效分析5000+只A股，构建自动化选股系统。

数据接口

数据库

Python

Linux

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

用 Python 做 A 股全市场扫描选股：从 5000+ 只股票中筛出值得关注的标的-腾讯云开发者社区-腾讯云

用 Python 做 A 股全市场扫描选股：从 5000+ 只股票中筛出值得关注的标的

用 Python 做 A 股全市场扫描选股：从 5000+ 只股票中筛出值得关注的标的

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐