实时股票数据筛选

摘要： 第一部分：数据源选择 (免费 vs. 付费)这是进行实时筛选的第一步,也是决定你筛选能力和广度的关键，免费数据源 (适合个人投资者、初学者)这些数据源通常有15-20分钟的延迟,但...

第一部分：数据源选择 (免费 vs. 付费)

这是进行实时筛选的第一步,也是决定你筛选能力和广度的关键。

免费数据源 (适合个人投资者、初学者)

这些数据源通常有15-20分钟的延迟,但对于大多数筛选策略已经足够。

• 财经网站/APP:
  • 东方财富网: 数据全面，有强大的选股器功能,支持多种条件组合筛选。
  • 新浪财经: 数据更新较快,同样提供条件选股功能。
  • 腾讯自选股: 界面友好,筛选功能也比较完善。
• Python API (强烈推荐):
  • akshare: 一个非常强大的、免费的Python财经数据接口库，可以获取A股、港股、美股的实时行情、财务数据、新闻等。
  • tushare: 老牌的Python财经数据接口，免费版有积分限制,数据质量高。
  • yfinance: 主要用于获取美股和加密货币的免费历史及实时数据。

优点: 免费，足够入门和策略回测。 缺点: 数据有延迟，部分深度数据缺失,并发请求可能受限。

付费数据源 (适合专业投资者、量化交易者)

这些数据源提供真正的实时数据（Level 1/Level 2）、历史Tick数据、财务细节、研报等。

• 国内:
  • Wind (万得): 国内金融数据终端的绝对王者，数据最全、最权威。
  • 同花顺iFinD: 功能强大，用户界面友好,与同花顺交易软件无缝集成。
  • 东方财富Choice: 性价比较高,数据覆盖面广。
• 国际:
  • Bloomberg Terminal (彭博): 全球金融从业者的标配,功能极其强大。
  • Refinitiv Eikon (路孚特): 数据和新闻质量非常高。
  • Interactive Brokers (IB): 不仅是券商，其提供的IBKR Gateway也是许多量化策略获取实时行情数据的常用接口。

优点: 数据真正实时、准确、全面，是专业交易和研究的基石。 缺点: 价格昂贵,通常需要机构账户或个人年费高达数万甚至数十万。

第二部分：筛选策略与维度 (如何筛选？)

无论使用哪个数据源，筛选的逻辑和维度是相通的,以下是一些核心的筛选维度和策略：

基于价格和成交量的筛选 (最常用)

这类策略捕捉市场的短期情绪和资金动向。

• 异动涨幅/跌幅筛选:

  • 策略: 找出当天涨幅或跌幅超过特定阈值（如5%、7%、10%）的股票。

  • 目的: 发现市场热点、强势股或风险股。

  • Python (akshare) 示例:

    import akshare as ak
    # 获取今日A股实时行情
    df_realtime = ak.stock_zh_a_spot_em()
    # 筛选涨幅超过5%的股票
    gainers = df_realtime[df_realtime['涨跌幅'] > 5.0]
    print("涨幅超过5%的股票:")
    print(gainers[['代码', '名称', '最新价', '涨跌幅']].head(10))
    # 筛选跌幅超过5%的股票
    losers = df_realtime[df_realtime['涨跌幅'] < -5.0]
    print("\n跌幅超过5%的股票:")
    print(losers[['代码', '名称', '最新价', '涨跌幅']].head(10))

• 量比/换手率筛选:

  • 策略: 量比是当日即时成交量与过去5日平均成交量的比值，换手率是成交量与流通股本的比值,筛选高量比或高换手率的股票。
  • 目的: 发现资金关注度高、可能有大额资金进出的股票,往往是启动或异动的信号。
  • Python (akshare) 示例:

    # akshare的实时行情接口可能不直接提供量比，需要结合历史数据计算
    # 这里假设df_realtime中已有'量比'和'换手率'列
    high_turnover = df_realtime[df_realtime['换手率'] > 5.0] # 换手率超过5%
    print("\n换手率超过5%的股票:")
    print(high_turnover[['代码', '名称', '最新价', '换手率']].head(10))

基于技术指标的筛选 (系统化交易)

这类策略使用数学公式计算出的指标来辅助决策。

• 均线策略:
  • 策略: 筛选股价在关键均线（如5日、10日、20日、60日）之上的股票（多头排列）,或者突破均线的股票。
  • 目的: 判断股票的长期趋势和短期趋势。
• MACD (指数平滑异同移动平均线):
  • 策略: 筛选MACD金叉（快线上穿慢线）或死叉（快线下穿慢线）的股票。
  • 目的: 捕捉趋势的转折点。
• RSI (相对强弱指数):
  • 策略: 筛选RSI指标超卖（如低于30）或超买（如高于70）的股票。
  • 目的: 寻找可能的反转机会。

基于基本面和财务数据的筛选 (价值投资)

这类策略关注公司的内在价值和健康状况。

• 市盈率/市净率 筛选:
  • 策略: 筛选低市盈率（如低于行业平均或20倍）或低市净率的股票（价值股），也可以筛选高市盈率（成长股）。
  • 目的: 寻找被低估或高估的股票。
• 市值筛选:
  • 策略: 筛选总市值在一定范围内的股票（如50亿-200亿的中盘股）。
  • 目的: 锁定特定规模的公司，通常小盘股波动大,大盘股更稳健。
• 财务健康状况筛选:
  • 策略: 筛选流动比率、速动比率大于2（偿债能力强），资产负债率低于50%（杠杆低），ROE（净资产收益率）高于15%（盈利能力强）的股票。
  • 目的: 寻找财务稳健、盈利能力强的优质公司。

基于资金流向的筛选 (聪明钱逻辑)

• 主力资金/北向资金 净流入:
  • 策略: 筛选当天主力资金或北向资金（外资）净流入额最大的股票。
  • 目的: 跟踪“聪明钱”的动向,相信大资金的判断。
• 大单/特大单 净流入:
  • 策略: 筛选买入大单（通常指超过100手或50万元）金额远大于卖出大单的股票。
  • 目的: 判断是否有机构资金在积极建仓。

第三部分：实现方式 (如何自动化？)

使用在线平台的选股器

对于非程序员，最简单的方式是直接使用东方财富、同花顺等平台的“选股器”或“条件选股”功能，它们提供了图形化界面，你可以像搭积木一样组合各种条件,一键执行筛选。

使用Python脚本 (高度灵活)

这是量化爱好者和专业交易者的首选，结合akshare或tushare获取数据，使用pandas库进行数据处理和筛选，最后可以用matplotlib进行可视化。

完整Python示例：一个综合筛选策略

假设我们要找一只“A股股票”,它需要满足以下条件：

1. 总市值在100亿到500亿之间。
2. 当日换手率大于3%。
3. 相对强弱指数低于35（可能超卖）。
4. 当日北向资金净流入。

import akshare as ak
import pandas as pd
def filter_stocks():
    # 1. 获取实时行情数据
    df_realtime = ak.stock_zh_a_spot_em()
    # 2. 获取北向资金数据 (注意：akshare的北向资金接口通常是历史数据，这里简化处理)
    # 实际应用中，你需要一个能获取当日净流入的接口或数据源
    # df_north_flow = ak.stock_hsgt_north_flow_em() # 这是一个历史接口示例
    # 为了演示，我们创建一个模拟的净流入列
    df_realtime['北向资金净流入(亿)'] = (df_realtime['代码'].isin(['600519', '000858']) * 5.0 + # 茅台、五粮液
                                           df_realtime['代码'].isin(['000333', '002415']) * (-2.0)) # 格力、海康威视
    # 3. 获取财务数据 (市值)
    # 注意：akshare获取财务数据通常需要单独调用，且数据不是实时的
    # df_fundamental = ak.stock_financial_analysis_indicator(symbol="SH600519") # 示例
    # 为了演示，我们假设df_realtime中有'总市值'列，实际上你可能需要合并
    df_realtime['总市值(亿)'] = df_realtime['总市值'] / 100000000 # 假设原始单位是元，转换为亿
    # 4. 定义筛选条件
    conditions = (
        (df_realtime['总市值(亿)'] >= 100) &
        (df_realtime['总市值(亿)'] <= 500) &
        (df_realtime['换手率'] > 3.0) &
        # (df_realtime['RSI'] < 35) & # 假设有RSI数据
        (df_realtime['北向资金净流入(亿)'] > 0)
    )
    # 5. 执行筛选
    filtered_stocks = df_realtime[conditions]
    # 6. 排序并输出
    # 按北向资金净流入降序排列
    result = filtered_stocks.sort_values(by='北向资金净流入(亿)', ascending=False)
    return result[['代码', '名称', '最新价', '总市值(亿)', '换手率', '北向资金净流入(亿)']]
if __name__ == '__main__':
    try:
        final_result = filter_stocks()
        print("\n--- 综合筛选结果 ---")
        print(final_result)
    except Exception as e:
        print(f"执行筛选时出错: {e}")
        print("请确保已安装 akshare: pip install akshare")

使用专业量化平台 (如聚宽、米筐)

这些平台提供了数据、回测、交易一体化的环境，内置了丰富的函数库，可以让你用Python-like的语言快速实现复杂的筛选和交易策略,并且可以方便地连接券商账户进行实盘交易。

总结与建议

给您的建议：

1. 从免费开始： 如果您是新手，先使用东方财富等网站的选股器,熟悉各种筛选维度和逻辑。
2. 学习Python： 如果您有一定技术背景，强烈建议学习使用akshare和pandas，这能让你构建完全属于自己的、高度定制化的筛选系统,这是迈向量化投资的第一步。
3. 明确策略： 在筛选前，先想清楚你的目标是什么？是做短线追热点，还是长线价值投资？不同的目标对应不同的筛选策略。
4. 风险提示： 任何筛选结果都应作为参考，而非绝对的买卖信号，投资决策需要结合更全面的分析，包括公司基本面、行业前景、市场风险等。过往表现不代表未来收益，投资有风险，入市需谨慎。