# 还在手动维护股票代码列表？你的 Python 选股脚本可能已经漏了几百只票

你打开自己的量化脚本，翻到第一行，看到了这个：

```python
stock_pool = [
    "600519.SH", "000001.SZ", "300750.SZ", "002594.SZ", "601318.SH",
    "000858.SZ", "600036.SH", "000333.SZ", "601012.SH", "600276.SH",
    # ... 还有 200 行 ...
]
```

这个列表你是半年前从某个网站上抄下来的。从那以后：

- 有几十只新股上市了——不在你的列表里
- 有几只票退市了——你还在拉它们的数据（返回空或报错）
- 有几只票改了代码——你拉到的是旧数据
- 有几只票变成 ST 了——你的选股逻辑没有排除它们

你的选股脚本以为自己在扫描"全市场"，其实它扫描的是**半年前的全市场减去退市的加上一堆错误**。

## 手动列表的三个问题

### 问题 1：列表永远是过时的

A 股每年新上市几百只票。2025 年一年就有超过 100 只新股上市。如果你的列表是年初建的，到年底你就漏了 100 只票的数据。

这些新股里可能有高成长的公司，你的选股策略因为列表过时永远选不到它们。

### 问题 2：退市票会让脚本出错

列表里有一只退市的票，拉数据时要么报错、要么返回空。如果你的脚本没有处理这种情况，一只退市票就能让整个批量流程中断。

更隐蔽的情况：票还没退市但已经停牌几个月了。你的脚本拉到的数据一直是停牌前的老数据，但你不知道。

### 问题 3：维护成本高且无聊

每隔一段时间你就需要：
- 去交易所网站查最新的上市公司列表
- 和你本地的列表做 diff
- 添加新股、删除退市票
- 检查有没有代码变更

这种事情做一次要半小时，而且极度无聊。大多数人做过一次之后就再也不更新了。

## AlphaFeed 的解决方案：universes 全市场查询

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

# 一行代码拿到全部 A 股的实时行情
all_stocks = af.quotes.get(universes="CN_Stock", to_dataframe=True)
print(f"当前 A 股总数: {len(all_stocks)}")
```

`universes="CN_Stock"` 返回的是**当前时刻沪深京交易所所有上市交易的股票**。新股上市第一天就在里面，退市的自动消失，不需要你维护任何列表。

支持的标的池：

| universes 参数 | 覆盖范围 |
| --- | --- |
| `CN_Stock` | 全部 A 股（沪深京） |
| `CN_ETF` | 全部 A 股 ETF |
| `US_Stock` | 全部美股 |
| `HK_Stock` | 全部港股 |

## 实际场景 1：全市场选股

以前你的代码可能长这样：

```python
# ❌ 手动列表，半年前的
stock_pool = ["600519.SH", "000001.SZ", ...]  # 500 只，已经过时了

for sym in stock_pool:
    df = some_api.get_data(sym)
    # ... 选股逻辑 ...
```

现在：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

# ✅ 永远是最新的全市场数据
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
all_cn["change_pct"] = (all_cn["last_price"] - all_cn["prev_close"]) / all_cn["prev_close"]

# 直接在全市场数据上做筛选
# 例：今日涨幅 > 5% 且成交额 > 1 亿
hot = all_cn[(all_cn["change_pct"] > 0.05) & (all_cn["amount"] > 1e8)]
print(f"今日大涨且放量: {len(hot)} 只")
print(hot[["symbol", "last_price", "change_pct", "amount"]].head(10).to_string(index=False))
```

不需要预先知道有哪些股票。今天新上市的票如果涨了 5%，也会被选出来。

## 实际场景 2：构建全市场收益率矩阵

做因子分析或者行业对比时，你需要全市场所有票的日收益率。以前你需要维护一个完整的代码列表然后逐个拉 K 线。现在：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

# 第一步：拿到全市场代码列表（实时的、最新的）
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)

# 过滤掉成交额太低的（流动性不足的票不适合做分析）
active = all_cn[all_cn["amount"] > 5e7]
symbols = active["symbol"].tolist()
print(f"活跃标的: {len(symbols)} 只")

# 第二步：批量拉这些票的 K 线
dfs = af.klines.batch(
    symbols, period="1d", count=20,
    adjust="forward", to_dataframe=True,
    show_progress=True,
)

# 几千只票的 20 天 K 线，batch 自动分块并发，一两分钟拉完
print(f"成功获取: {len(dfs)} 只")
```

整个流程没有出现任何硬编码的股票代码列表。

## 实际场景 3：每天自动更新涨停板统计

```python
from alphafeed import AlphaFeed
from datetime import datetime

af = AlphaFeed()

def daily_limit_stats():
    """统计今日涨停板情况"""
    all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
    all_cn["change_pct"] = (all_cn["last_price"] - all_cn["prev_close"]) / all_cn["prev_close"]

    # 涨停（涨幅 ≥ 9.8%，覆盖 10% 和 20% 涨停板）
    limit_up = all_cn[all_cn["change_pct"] >= 0.098]
    limit_up_20 = all_cn[all_cn["change_pct"] >= 0.198]  # 创业板/科创板 20% 涨停

    # 跌停
    limit_down = all_cn[all_cn["change_pct"] <= -0.098]

    today = datetime.now().strftime("%Y-%m-%d")
    print(f"=== {today} 涨跌停统计 ===")
    print(f"涨停: {len(limit_up)} 只")
    print(f"  其中 20cm 涨停: {len(limit_up_20)} 只")
    print(f"跌停: {len(limit_down)} 只")
    print(f"涨停率: {len(limit_up) / len(all_cn):.2%}")
    print(f"总标的数: {len(all_cn)}")

    if len(limit_up) > 0:
        print(f"\n涨停票:")
        top = limit_up.sort_values("amount", ascending=False)
        print(top[["symbol", "last_price", "change_pct", "amount"]].head(15).to_string(index=False))

daily_limit_stats()
```

这个脚本今天跑是今天的数据，下个月跑自动包含下个月新上市的票。不需要任何人工维护。

## 实际场景 4：板块资金流向分析

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

af = AlphaFeed()

# 全市场行情
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
all_cn["change_pct"] = (all_cn["last_price"] - all_cn["prev_close"]) / all_cn["prev_close"]

# 拿标的信息做板块分类（用代码前缀粗略分）
all_cn["board"] = "主板"
all_cn.loc[all_cn["symbol"].str.startswith("300"), "board"] = "创业板"
all_cn.loc[all_cn["symbol"].str.startswith("688"), "board"] = "科创板"
all_cn.loc[all_cn["symbol"].str.startswith("8"), "board"] = "北交所"

# 按板块统计
board_stats = all_cn.groupby("board").agg(
    总数=("symbol", "count"),
    上涨数=("change_pct", lambda x: (x > 0).sum()),
    平均涨幅=("change_pct", "mean"),
    总成交额=("amount", "sum"),
).reset_index()

board_stats["上涨占比"] = board_stats["上涨数"] / board_stats["总数"]
board_stats["总成交额(亿)"] = board_stats["总成交额"] / 1e8
board_stats["平均涨幅"] = board_stats["平均涨幅"].apply(lambda x: f"{x:+.2%}")
board_stats["上涨占比"] = board_stats["上涨占比"].apply(lambda x: f"{x:.0%}")

print(board_stats[["board", "总数", "上涨数", "上涨占比", "平均涨幅", "总成交额(亿)"]].to_string(index=False))
```

一行 `universes="CN_Stock"` 搞定，你只需要专注分析逻辑。

## universes vs 手动列表的差距

| 维度 | 手动列表 | universes 查询 |
| --- | --- | --- |
| 新股覆盖 | ❌ 需要手动添加 | ✅ 自动包含 |
| 退市票 | ❌ 需要手动删除 | ✅ 自动排除 |
| 数据新鲜度 | 取决于上次更新时间 | 永远是当前时刻 |
| 维护成本 | 每月需要手动更新 | 零维护 |
| 完整性 | 大概率有遗漏 | 100% 覆盖全市场 |
| 出错概率 | 高（代码抄错、格式不对） | 低（API 返回标准数据） |

## 一个容易被忽视的好处：你的回测股票池也不用维护了

回测时你需要"回测起始日的全市场股票列表"来避免幸存者偏差。很多人直接用今天的列表去回测 3 年前——但 3 年前有些今天存在的票还没上市，有些已经退市的票在 3 年前是存在的。

虽然 universes 返回的是当前列表不是历史列表，但至少你不需要手动维护一个"今天的全量列表"了。每天跑选股时拿到的永远是最新的、完整的、干净的股票池。

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

# 今天的全市场池（自动维护）
today_pool = af.quotes.get(universes="CN_Stock", to_dataframe=True)
symbols = today_pool["symbol"].tolist()

# 拉这些票的 K 线做当日分析
# ...不需要任何 CSV、不需要任何手动维护
```

如果你之前每个月花 30 分钟更新股票列表，一年就是 6 小时。这 6 小时现在被一行代码替代了。

---

- 参考文档：https://alphafeed.org/
- Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


你的选股脚本以为自己在扫描"全市场"，其实它扫描的是半年前的全市场减去退市的加上一堆错误。

还在手动维护股票代码列表？你的 Python 选股脚本可能已经漏了几百只票

编程语言

大数据

后端

手动维护股票代码列表导致选股脚本漏掉新股、包含退市股且数据过时。AlphaFeed的universes参数可一行代码获取实时全市场股票池，自动包含新股、排除退市股，零维护成本，支持全市场选股、批量K线、涨跌停统计等场景，提升策略准确性与效率。

代码解释

Python

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

还在手动维护股票代码列表？你的 Python 选股脚本可能已经漏了几百只票-腾讯云开发者社区-腾讯云

还在手动维护股票代码列表？你的 Python 选股脚本可能已经漏了几百只票

还在手动维护股票代码列表？你的 Python 选股脚本可能已经漏了几百只票

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