用股票API接口做量化选股，哪几个策略最常用？

动量策略均线交叉股票API接口配对交易量化选股

📅 2026-10-01 20:47👁️ 5578 阅读💬 0 评论

企业微信

为什么量化选股离不开股票API接口

普通散户炒股靠感觉，量化交易者靠数据。数据从哪里来？股票API接口。它就像一根水管，把交易所的实时行情、历史K线、财务指标源源不断输送到你的策略代码里。没有这个接口，再聪明的策略也是无米之炊。

股票API接口分两类。一类是券商提供的交易接口，用来下单、查持仓。另一类是数据接口，像Tushare、BaoStock、Yahoo Finance，提供历史价格、成交量、市盈率等。量化选股主要用数据接口，先把股票池筛一遍，再决定买卖哪些。

期货市场同样如此。商品期货、股指期货的量化策略也依赖API获取行情。期货有杠杆、T+0、双向交易，策略逻辑和股票略有不同，底层数据接口的用法大同小异。

下面聊五个最常见的量化选股策略。每个策略都配一段Python代码，演示如何通过股票API接口拉数据、算信号。代码用pandas和tushare，你换成其他接口也能跑。

用股票API接口做量化选股，哪几个策略最常用？

策略一均线交叉最经典的趋势跟踪

均线交叉策略的逻辑一句话就能说清：短期均线上穿长期均线买入，下穿卖出。比如5日均线和20日均线。5日线代表最近一周的平均成本，20日线代表最近一个月的平均成本。短期线上穿长期线，说明近期买盘力量增强，趋势可能向上。

这个策略在趋势明显的股票上表现好，在震荡市里会反复被打脸。期货市场用均线交叉更普遍，因为期货趋势性强，而且可以做空。

用股票API接口实现很简单。拉取某只股票过去60天的收盘价，计算5日和20日移动平均，找出交叉点。


import tushare as ts

import pandas as pd

# 初始化接口

ts.set_token('你的token')

pro = ts.pro_api()

# 获取平安银行日线数据

df = pro.daily(ts_code='000001.SZ', start_date='20240101', end_date='20240401')

df = df.sort_values('trade_date')

df['ma5'] = df['close'].rolling(5).mean()

df['ma20'] = df['close'].rolling(20).mean()

# 生成信号

df['signal'] = 0

df.loc[df['ma5'] > df['ma20'], 'signal'] = 1

df.loc[df['ma5'] <= df['ma20'], 'signal'] = -1

# 找出交叉点

df['cross'] = df['signal'].diff()

buy_days = df[df['cross'] == 2]['trade_date'].tolist()

sell_days = df[df['cross'] == -2]['trade_date'].tolist()

print('买入信号', buy_days)

print('卖出信号', sell_days)

实际使用时，你会遍历整个股票池，对每只股票算一遍均线交叉，选出当前发出买入信号的股票。

策略二动量策略追涨杀跌也能赚钱

动量策略的核心思想是：过去涨得好的股票，未来一段时间大概率继续涨。听起来反常识，但学术界和实战都验证过。行为金融学解释为“反应不足”和“羊群效应”。

具体做法：每月月初，计算所有股票过去20个交易日的收益率，买入排名前10%的股票，持有到月底再换。期货市场里，动量策略常用于商品期货，做多近期强势品种，做空近期弱势品种。

用API接口拉全市场股票的月度收益率，排序选股。


# 获取所有股票列表

stocks = pro.stock_basic(exchange='', list_status='L', fields='ts_code')

# 计算每只股票过去20日收益率

results = []

for code in stocks['ts_code'][:100]:  # 演示取前100只

    df = pro.daily(ts_code=code, start_date='20240201', end_date='20240301')

    if len(df) < 20:

        continue

    ret = df['close'].iloc[0] / df['close'].iloc[-1] - 1

    results.append((code, ret))

# 按收益率排序

results.sort(key=lambda x: x[1], reverse=True)

top_stocks = results[:10]

print('动量前10', top_stocks)

动量策略在牛市里效果拔群，在熊市里会亏得很快。需要配合止损规则，比如个股回撤超过10%就卖出。

策略三均值回归抓超跌反弹

均值回归和动量策略正好相反。它假设股票价格短期内涨太多或跌太多，最终会回到平均水平。常用指标是布林带、RSI、乖离率。

布林带由三条线组成：中轨是20日均线，上轨是中轨加2倍标准差，下轨是中轨减2倍标准差。价格跌破下轨，说明短期超卖，可能反弹。价格突破上轨，说明超买，可能回调。

均值回归策略适合震荡市，不适合单边趋势。期货市场里，螺纹钢、豆粕等品种经常出现均值回归机会。

用API接口计算布林带，选出当前价格低于下轨的股票。


# 获取某只股票数据

df = pro.daily(ts_code='600519.SH', start_date='20240101', end_date='20240401')

df = df.sort_values('trade_date')

# 计算布林带

df['ma20'] = df['close'].rolling(20).mean()

df['std'] = df['close'].rolling(20).std()

df['upper'] = df['ma20'] + 2 * df['std']

df['lower'] = df['ma20'] - 2 * df['std']

# 选出价格低于下轨的交易日

df['buy_signal'] = df['close'] < df['lower']

print(df[df['buy_signal']][['trade_date', 'close', 'lower']])

实际选股时，你会扫描全市场，找出所有价格跌破下轨的股票。注意，均值回归不能无脑买，要结合基本面排除掉真正有问题的公司。

策略四多因子选股机构最爱的系统化方法

多因子模型把股票收益拆解成多个因子。常见因子有：估值因子（市盈率、市净率）、成长因子（营收增速、利润增速）、质量因子（ROE、毛利率）、动量因子、波动率因子。

做法：给每个因子打分，加权求和，选出综合得分最高的股票。比如，市盈率越低得分越高，ROE越高得分越高。权重可以等权，也可以用历史数据优化。

期货市场也有多因子，比如展期收益率、库存因子、基差因子。

用API接口拉财务数据和行情数据，合成因子。


# 获取基本面数据

fund = pro.fina_indicator(ts_code='000001.SZ', start_date='20230101', end_date='20231231')

# 获取行情数据

daily = pro.daily(ts_code='000001.SZ', start_date='20240101', end_date='20240401')

# 合成因子：低市盈率+高ROE

pe = daily['close'].iloc[-1] / fund['eps'].iloc[0]

roe = fund['roe'].iloc[0]

score = -pe + roe  # 简单加权，具体权重需回测

print('综合得分', score)

多因子选股是量化私募的主流方法，但需要大量历史数据回测，避免过拟合。

策略五配对交易市场中性策略

配对交易找两只历史走势高度相关的股票，比如工商银行和建设银行。当价差偏离历史均值时，做多低估的，做空高估的，等价差回归后平仓。

这个策略在股票和期货市场都适用。期货里，配对交易常用在螺纹钢和热卷、豆油和棕榈油之间。

用API接口计算两只股票的价差，设定开仓阈值。


# 获取两只银行股数据

df1 = pro.daily(ts_code='601398.SH', start_date='20240101', end_date='20240401')

df2 = pro.daily(ts_code='601939.SH', start_date='20240101', end_date='20240401')

# 合并数据

df1 = df1.sort_values('trade_date')

df2 = df2.sort_values('trade_date')

merged = pd.merge(df1[['trade_date', 'close']], df2[['trade_date', 'close']], on='trade_date', suffixes=('_icbc', '_ccb'))

merged['spread'] = merged['close_icbc'] - merged['close_ccb']

merged['mean'] = merged['spread'].rolling(20).mean()

merged['std'] = merged['spread'].rolling(20).std()

merged['zscore'] = (merged['spread'] - merged['mean']) / merged['std']

# zscore > 2 做空价差，zscore < -2 做多价差

print(merged[['trade_date', 'spread', 'zscore']].tail())

配对交易的风险在于，历史相关性可能突然断裂。比如一家银行爆出坏账，价差再也不回归。所以需要定期重新筛选配对。