我不是要劝你"学编程"。我想告诉你的是：你已经在做量化了，只不过用的是最慢的工具。

如果你现在的选股流程是这样的：

你脑子里那些"成交量放大 + 突破前高 + 均线多头"的判断标准，就是策略逻辑。区别只是你用眼睛一只一只看，还是让电脑几秒钟全部扫一遍。

阶段一：你现在的做法（Excel 时代）

阶段二：用 Python 把眼睛做的事变成代码

你不需要懂机器学习，不需要会搭框架。你只需要把"你本来就在做的判断"翻译成代码。

比如你选股的标准是："成交额大于 3 亿、涨幅 3%-8%、最新价站上 20 日均线"

from quantdash import QuantDash

import pandas as pd

qd = QuantDash()

# 第一步：拿全市场行情（代替你翻涨幅榜）
df = qd.quotes.get(universes="CN_Stock", to_dataframe=True)
df["change_rate"] = df["change_rate"].astype(float)
df["amount"] = df["amount"].astype(float)

# 第二步：初筛（代替你逐个排除）
candidates = df[
    (df["amount"] > 3e8) & 
    (df["change_rate"] > 0.03) & 
    (df["change_rate"] < 0.08)
].copy()

print(f"初筛：{len(candidates)} 只")

两步，5 行代码，代替了你 20 分钟的翻页操作。而且它看了全部 5000 只，不是前 50 名。

光看今天的涨幅不够。你平时还会看 K 线图判断趋势——让代码来做：

symbols = candidates["symbol"].tolist()

# 批量拉 K 线（代替你逐个点开 K 线图）
dfs = qd.klines.batch(
    symbols, 
    period="1d", 
    count=30, 
    adjust="forward",
    to_dataframe=True, 
    show_progress=True
)

results = []

for symbol, kdf in dfs.items():
    if len(kdf) < 20:
        continue
    
    close = kdf["close"].values
    volume = kdf["volume"].values
    high = kdf["high"].values
    
    ma5 = close[-5:].mean()
    ma20 = close[-20:].mean()

    
    # 均线多头
    if not (close[-1] > ma5 > ma20):

        continue
    

    # 放量（今天量 > 10 日均量 1.5 倍）
    avg_vol = volume[-11:-1].mean()
    if avg_vol > 0 and volume[-1] < avg_vol * 1.5:
        continue
    
    # 突破近 20 日高点
    prev_high = high[-21:-1].max() if len(high) > 21 else high[:-1].max()
    breakout = close[-1] > prev_high
    
    row = candidates[candidates["symbol"] == symbol]
    name = row["name"].values[0] if len(row) > 0 and "name" in row.columns else ""

    chg = row["change_rate"].values[0] if len(row) > 0 else 0
    
    results.append({
        "代码": symbol,
        "名称": name,
        "涨幅": f"{chg*100:.1f}%",
        "最新价": round(close[-1], 2),

        "MA5": round(ma5, 2),
        "MA20": round(ma20, 2),
        "突破新高": "✅" if breakout else "",
    })


result_df = pd.DataFrame(results)
print(f"\n最终选出 {len(result_df)} 只：")
print(result_df.to_string(index=False))

这段代码做的事情，就是你盯着 K 线图在做的事情。区别是：

阶段四：把结果保存下来（代替 Excel）

from datetime import date

filename = f"选股结果_{date.today():%Y%m%d}.csv"
result_df.to_csv(filename, index=False, encoding="utf-8-sig")
print(f"已保存到 {filename}")

阶段五：自动化（彻底解放双手）

# macOS / Linux：每个交易日 15:05 自动运行

5 15 * * 1-5 cd /your/path && uv run python daily_scan.py

加上推送通知，结果直接发到手机：

import requests

def push_result(results_df, sendkey):
    lines = [f"今日选出 {len(results_df)} 只\n"]
    for _, r in results_df.head(15).iterrows():
        lines.append(f"- {r['代码']} {r['名称']} {r['涨幅']} {r['突破新高']}")
    
    requests.post(
        f"https://sctapi.ftqq.com/{sendkey}.send",
        data={"title": f"选股结果 {date.today()}", "desp": "\n".join(lines)}
    )

你可能会想：这些代码用 akshare 或者 Tushare 也能写吧？

# QuantDash
df = qd.quotes.get(universes="CN_Stock", to_dataframe=True)


# akshare
df = ak.stock_zh_a_spot_em()  # 爬东方财富，偶尔挂

# Tushare
df = pro.daily(trade_date="20260824")  # 需要积分，只有收盘数据

 让你不用维护股票代码列表，也不用担心新股上市或退市遗漏。

# QuantDash
dfs = qd.klines.batch(symbols_200, period="1d", count=30, adjust="forward", to_dataframe=True)


# akshare / Tushare

for symbol in symbols_200:
    df = get_kline(symbol)  # 一个一个来
    time.sleep(0.5)  # 还得等

200 只票，QuantDash 几秒钟，循环 + sleep 要两分钟。

akshare/efinance 底层是爬虫。东方财富改版了、加验证码了、换接口了，你的脚本就挂了。而且挂了不一定报错，可能只是返回空数据——你还以为今天没有符合条件的票。

QuantDash 是正式 API，SDK 内置自动重试。你的 crontab 任务可以安心跑一年。

你不需要一步到位。先把阶段 1 升级到阶段 2——就这篇文章里的 20 行代码——你的选股效率就会有质的飞跃。

注册一个 QuantDash 账号（免费版就够用），把你现在 Excel 里的选股条件翻译成代码，跑一遍。

你会发现：以前一小时做的事，现在 10 秒就做完了。而且比你做得更全、更客观、更可靠。

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

人工智能

从Excel手动翻50只票升级到Python全市场扫描5000只，10秒完成初筛与均线、放量、突破等技术面判断。无需复杂编程基础，QuantDash提供稳定的行情API与批量K线接口，支持定时自动运行与手机推送，替代人工盯盘，实现策略可复盘、结果可追溯，是个人投资者迈向量化选股的最短路径。

机器学习

验证码

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！

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

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