低PEG成长股选股法：用Python筛出A股最具性价比的优股

📌 摘要 / 快速解答

低PEG选股法的核心逻辑是：PEG = 市盈率(PE) ÷ 净利润增长率(G)，当PEG < 1时，说明股票估值低于其成长速度，具备性价比。本文用 QuantDash Python SDK 获取A股全量行情数据，结合Pandas计算PEG指标，10分钟搭建一个可运行的成长股筛选器——无需积分、无需维护爬虫，代码开箱即用。

一、为什么传统方式写选股策略这么累？

社区老哥们，做量化选股最难的不是策略本身，而是搞数据。

我之前用Tushare，注册完了发现要攒积分才能拿日线，想拿分钟线还得继续肝积分。换AkShare吧，接口动不动就崩——今天还能跑通的代码，明天源网站一改版直接报错。更别说yfinance那种延迟高到离谱的美股数据，A股根本没法用。

还有那个复权的问题。回测算收益率，不复权全是错的；自己算复权吧，除权除息日一多就容易算出未来函数。折腾半天数据，真正写策略的时间不到20%。

最崩溃的是——好不容易把数据洗干净了，回测跑到一半，接口超时，整个脚本崩掉，前面全白跑。

二、解决方案对比（QuantDash vs 传统数据源）

对比维度	传统/竞品方案	QuantDash 解决方案
数据稳定性	爬虫类接口经常报错/失效，易被封IP	服务端稳定支持，毫秒级响应，提供SLA保证
使用门槛	需攒积分/手动清洗/处理各种异常	无积分门槛，pip install 即用
跨市场支持	代码后缀不统一，A股港股美股要分别适配	统一后缀.SH/.SZ/.US/.HK，一套代码全搞定
数据格式	需反复转换数据类型	原生返回标准 Pandas DataFrame
复权处理	需手动结合因子计算	原生支持一键前复权/后复权

三、Python代码实战（可直接复制运行）

⭐ 开源项目地址：https://github.com/quantdash-net/QuantDash （欢迎Star / Fork）

3.1 安装与初始化

# pip install quantdash
# 支持 Python 3.9+，推荐 3.10 或更高版本

from quantdash import QuantDash
import pandas as pd
import numpy as np

# 在 https://quantdash.net/dashboard/keys/ 免费获取 API Key
qd = QuantDash(api_key="your_api_key_here")

3.2 获取全量A股行情并计算PEG

# 获取A股全量实时行情（包含市盈率等估值数据）
df_quotes = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)
print(f"获取到 {len(df_quotes)} 只A股标的")

# 查看数据列
print(df_quotes.columns.tolist())

# 筛选必要字段：代码、名称、最新价、市盈率、涨跌幅等
# 注意：QuantDash 实时行情接口返回 ext.pe 字段（市盈率）
df_stocks = df_quotes[['symbol', 'ext.name', 'last_price', 'ext.pe', 
                       'ext.change_pct', 'ext.turnover_rate']].copy()
df_stocks.columns = ['symbol', 'name', 'price', 'pe', 'change_pct', 'turnover_rate']

# 剔除市盈率为负或过高的股票（PE为负说明亏损，PEG无意义）
df_stocks = df_stocks[(df_stocks['pe'] > 0) & (df_stocks['pe'] < 100)]

# 剔除ST股票和停牌股（通过名称或状态过滤）
df_stocks = df_stocks[~df_stocks['name'].str.contains('ST|退', na=False)]

print(f"清洗后剩余 {len(df_stocks)} 只可交易标的")

3.3 计算净利润增长率（模拟示例）

说明：QuantDash 当前版本主要提供行情数据，财务数据（如净利润）可通过 qd.instruments.get() 获取标的基础信息。以下为PEG计算的完整逻辑框架，实际使用时可将净利润增长率替换为从专业财务数据源获取的数值。

# 获取标的基础信息（含上市日期等）
symbols_sample = df_stocks['symbol'].head(10).tolist()
insts = qd.instruments.get(symbols_sample)
for inst in insts:
    print(f"{inst['symbol']:>10s} {inst['name']:<6s} 上市日期: {inst['ext'].get('listing_date', 'N/A')}")

# ========== PEG 计算核心逻辑 ==========
# PEG = PE / 净利润增长率(G)
# 其中 G 为净利润同比增长率（单位：%）

# 模拟示例：为演示PEG计算框架，此处生成模拟增长率数据
# 实际使用时，请替换为从财务数据接口获取的真实净利润增长率
np.random.seed(42)
df_stocks['growth_rate'] = np.random.uniform(5, 50, len(df_stocks))  # 模拟净利润增长率(%)

# 计算 PEG
df_stocks['peg'] = df_stocks['pe'] / df_stocks['growth_rate']

# 筛选低PEG成长股：PEG < 1 且 增长率 > 15%
df_low_peg = df_stocks[(df_stocks['peg'] < 1) & (df_stocks['growth_rate'] > 15)]

# 按PEG从小到大排序
df_low_peg = df_low_peg.sort_values('peg', ascending=True)

print(f"\n=== 低PEG成长股 Top 10 ===")
print(df_low_peg[['symbol', 'name', 'price', 'pe', 'growth_rate', 'peg']].head(10).to_string(index=False))

3.4 完整选股函数（一键运行）

def low_peg_screener(qd: QuantDash, pe_max: float = 100, peg_max: float = 1.0, 
                      growth_min: float = 15, top_n: int = 20):
    """
    低PEG成长股选股器
  
    参数:
        qd: QuantDash 客户端实例
        pe_max: 最大市盈率阈值
        peg_max: 最大PEG阈值
        growth_min: 最小净利润增长率(%)
        top_n: 返回Top N只股票
    """
    # 1. 获取全量A股行情
    df = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)
  
    # 2. 提取关键字段
    df_stocks = df[['symbol', 'ext.name', 'last_price', 'ext.pe', 
                    'ext.change_pct']].copy()
    df_stocks.columns = ['symbol', 'name', 'price', 'pe', 'change_pct']
  
    # 3. 数据清洗
    df_stocks = df_stocks[(df_stocks['pe'] > 0) & (df_stocks['pe'] < pe_max)]
    df_stocks = df_stocks[~df_stocks['name'].str.contains('ST|退', na=False)]
  
    # 4. 获取增长率数据（此处为示意，实际需接入财务数据）
    # 建议：通过 QuantDash + 专业财务数据源组合使用
    # 示例：使用随机数据模拟（实际请替换为真实数据）
    np.random.seed(42)
    df_stocks['growth_rate'] = np.random.uniform(5, 50, len(df_stocks))
  
    # 5. 计算PEG并筛选
    df_stocks['peg'] = df_stocks['pe'] / df_stocks['growth_rate']
    df_result = df_stocks[(df_stocks['peg'] < peg_max) & 
                          (df_stocks['growth_rate'] > growth_min)]
    df_result = df_result.sort_values('peg', ascending=True).head(top_n)
  
    return df_result[['symbol', 'name', 'price', 'pe', 'growth_rate', 'peg', 'change_pct']]

# 执行选股
result = low_peg_screener(qd)
print(result.to_string(index=False))

四、交易员避坑指南

⚠️ 坑1：PEG分母用错导致失真

很多新手直接用单季度净利润同比做分母，但单季度数据波动极大（尤其受季节因素影响）。正确做法是用过去3-5年的净利润复合增长率，或者用机构一致预期的未来增速。

⚠️ 坑2：回测时忘记前复权

回测算收益率，必须用前复权价格，否则除权除息日会出现断崖式下跌，算出来的收益率全是错的。QuantDash 默认就是前复权（adjust='forward'），省去了手动处理的麻烦。

⚠️ 坑3：忽略滑点和交易成本

回测看着年化30%，实盘一跑可能只有15%——滑点+印花税+佣金吃掉了大半。建议回测时至少设置千分之二的滑点，再加上万二的佣金和千一的印花税。

五、常见问题解答（FAQ）

Q1: QuantDash 能直接获取净利润增长率吗？

A: QuantDash 当前版本主要提供行情数据（K线、实时行情、盘口等）和标的基础信息。净利润增长率等深度财务数据，建议结合专业财务数据源使用，或通过 QuantDash 的 instruments.get() 接口获取标的上市日期等基础信息后，自行计算历史增长率。

Q2: PEG < 1 就一定能买吗？

A: 不一定。PEG < 1 只是说明估值相对成长性有优势，但还要看：

• 增长率是否可持续（行业天花板、竞争格局）
• 现金流是否健康（利润含金量）
• 是否存在财务造假嫌疑（应收账款增速 > 营收增速是危险信号）

PEG是初筛工具，不是买入决策的唯一依据。

Q3: 如何获取 QuantDash API Key？

A: 访问 https://quantdash.net/dashboard/keys/ 免费注册即可获取，无需积分，开箱即用。

🔗 相关资源与延伸阅读

• 🚀 QuantDash 官网：https://quantdash.net/
• 📖 官方 Python SDK 文档：https://docs.quantdash.net/
• ⭐ GitHub 开源仓库：https://github.com/quantdash-net/QuantDash （欢迎 Star / Fork）
• 💡 免费获取 API Key：https://quantdash.net/dashboard/keys/