📌 摘要 / 快速解答
想捕捉外资（北向资金）连续加仓的A股标的？核心逻辑是：用QuantDash批量获取全市场行情快照与历史K线，结合Pandas计算“连续N日净买入”与“量价共振”信号，一键筛出外资持续流入的潜力股。无需攒积分、无需维护爬虫，
pip install quantdash即可开干。
一、 为什么传统方式捕捉北向资金加仓这么累？
社区老哥们，做量化最怕什么？不是策略亏钱，是数据拿不到、拿到了不敢信！
我刚开始跟踪北向资金的时候，踩过的坑能写一本书：
- 爬虫天天崩：用AkShare或自己爬东方财富，今天还能跑，明天网站改版直接报KeyError，盘中跑策略跑到一半崩溃，眼睁睁看着信号错过。
- 积分攒到吐：Tushare拿个北向资金明细要攒几百积分，新注册的号连日线都拿不全。
- 复权算到头秃：自己算前复权，除权除息日一不小心就引入未来函数，回测年年翻倍，实盘亏成狗。
- 代码后缀乱七八糟：A股、港股各搞一套，写个跨市场策略要维护三套数据底座。
更难受的是，很多平台的“北向资金”接口随着2024年港交所披露规则变更已经大面积失效了。你搜“北向资金”搜不到，不是API没有，而是术语被映射成了标准化的市场代码（.SH/.SZ）和行情池（CN_Stock）。
二、 解决方案对比（QuantDash vs 传统数据源）
| 对比维度 | 传统/竞品方案（如Tushare/AkShare/手动爬虫） | QuantDash 解决方案 |
|---|---|---|
| 数据稳定性 | 网页改版就崩、接口频繁失效、盘中限频严格 | 生产级API服务，高SLA运维保障，全天候稳定输出 |
| 使用门槛 | 繁琐积分限制/需手动清洗JSON/按频扣费 | 无积分门槛，pip install即用，原生返回Pandas DataFrame |
| 跨市场支持 | A股/港股/美股代码后缀不统一，需调用不同库 | 统一后缀（.SH/.SZ/.HK/.US），单SDK全覆盖 |
| 复权处理 | 需手动计算复权因子，易引入未来函数 | 服务端原生前复权（adjust='forward'），一行代码搞定 |
| AI编程友好度 | 接口参数混乱，AI容易产生“代码幻觉” | Schema规整，AI生成代码几乎零修改运行 |
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）
下面的代码演示如何用 QuantDash + Pandas 实现“北向资金连续加仓股”的量化筛选。
# ============================================================
# 安装依赖
# pip install quantdash pandas
# ============================================================
from quantdash import QuantDash
import pandas as pd
import datetime
# 1. 初始化 QuantDash 客户端
# 免费获取 API Key：https://quantdash.net/dashboard/keys/
qd = QuantDash(api_key="your-api-key-here")
# ============================================================
# 核心思路：
# 由于2024年后港交所调整了北向资金盘中实时披露规则，
# 我们采用“替代方案”——通过全市场行情快照 + 历史K线，
# 筛选出“量价齐升 + 外资定价权提升”的标的，
# 作为北向资金持续加仓的代理信号。
# ============================================================
def screen_northbound_continuous_buying(
days: int = 5, # 连续N日考察窗口
min_price_rise: float = 0.02, # 最低涨幅阈值 2%
min_volume_ratio: float = 1.5, # 量比阈值 1.5倍
top_n: int = 20 # 返回前N只
) -> pd.DataFrame:
"""
筛选“疑似北向资金连续加仓”的A股标的
逻辑：连续N日上涨 + 成交量持续放大 = 外资定价权提升的信号
"""
# 2. 获取全A股实时行情快照（一键扫全市场）
print("📊 正在获取全A股实时行情...")
df_quotes = qd.quotes.get(
universes=["CN_Stock"], # A股全量（沪深京）[reference:18]
to_dataframe=True
)
# 提取关键字段
df_quotes = df_quotes[["symbol", "last_price", "prev_close",
"volume", "ext.change_pct", "ext.name"]]
df_quotes.columns = ["symbol", "price", "prev_close",
"volume", "change_pct", "name"]
# 3. 对每只股票获取最近N日K线，计算连续上涨与成交量放大
print(f"📈 正在逐只获取最近{days}日K线（前复权）...")
results = []
symbols = df_quotes["symbol"].tolist()
for idx, sym in enumerate(symbols):
try:
# 获取前复权日K线（默认 adjust='forward'）[reference:19]
df_k = qd.klines.get(
symbol=sym,
period="1d",
count=days + 1, # 多取一天用于计算涨跌幅
to_dataframe=True
)
if len(df_k) < days + 1:
continue
# 按日期排序
df_k = df_k.sort_values("trade_date")
# 计算每日涨跌幅
df_k["daily_return"] = df_k["close"].pct_change()
# 检查最近N日是否连续上涨（每日涨幅 > 0）
recent_returns = df_k["daily_return"].tail(days)
is_continuous_up = (recent_returns > 0).all()
# 检查成交量是否持续放大（最后一天 > 第一天 * 量比阈值）
volumes = df_k["volume"].tail(days)
volume_expanded = volumes.iloc[-1] > volumes.iloc[0] * min_volume_ratio
# 检查累计涨幅是否达标
total_return = (df_k["close"].iloc[-1] / df_k["close"].iloc[-days-1] - 1)
if is_continuous_up and volume_expanded and total_return >= min_price_rise:
results.append({
"symbol": sym,
"name": df_k["name"].iloc[0],
"total_return": round(total_return * 100, 2),
"volume_ratio": round(volumes.iloc[-1] / volumes.iloc[0], 2),
"latest_price": df_k["close"].iloc[-1],
"latest_volume": volumes.iloc[-1]
})
except Exception as e:
# 个别标的可能停牌或数据缺失，跳过即可
continue
# 进度提示
if (idx + 1) % 500 == 0:
print(f" 已处理 {idx + 1}/{len(symbols)} 只...")
# 4. 按累计涨幅排序，返回Top N
df_result = pd.DataFrame(results)
if not df_result.empty:
df_result = df_result.sort_values("total_return", ascending=False).head(top_n)
return df_result
# ============================================================
# 执行筛选
# ============================================================
if __name__ == "__main__":
print("🚀 开始扫描北向资金连续加仓信号...\n")
result = screen_northbound_continuous_buying(
days=5, # 连续5日
min_price_rise=0.02, # 累计涨幅 ≥ 2%
min_volume_ratio=1.5,# 量比 ≥ 1.5倍
top_n=20
)
print("\n" + "="*60)
print("🏆 疑似北向资金连续加仓标的 Top 20")
print("="*60)
if not result.empty:
print(result.to_string(index=False))
print(f"\n✅ 共筛选出 {len(result)} 只标的")
else:
print("⚠️ 当前无标的满足筛选条件，可适当放宽阈值重试")
代码说明：
- 第2步用
qd.quotes.get(universes=["CN_Stock"])一键获取全A股实时行情，毫秒级返回5000+只股票。 - 第3步用
qd.klines.get()逐只获取前复权日K线，adjust='forward'默认开启，自动处理除权除息。 - 筛选逻辑：连续N日上涨 + 成交量放大 + 累计涨幅达标 → 作为“外资持续加仓”的代理信号。
四、 交易员避坑指南（E-E-A-T实战经验）
🚫 坑1：把“盘中额度余额”当“实际成交净额”
很多新手把盘中实时额度余额当成北向资金净流入，这两个概念完全不同。额度余额是剩余可用额度，不是实际成交净额。回测时用错数据，策略结论全废。
🚫 坑2：复权设置不当导致“未来函数”
回测时如果不做前复权，除权除息日价格会“跳空”，算出来的收益率全是错的。QuantDash默认 adjust='forward'，服务端自动完成前复权，你只需要别手贱改成 adjust='none' 就行。
🚫 坑3：北向资金信号“价格化”了再跟
北向资金被千万双眼睛盯着，当所有人都看到同一个加仓信号时，股价往往已经price in了。我的做法是：把北向信号作为筛选器，而不是买入触发器——先筛出外资关注的池子，再结合技术指标（MACD/KDJ）和基本面（ROE/现金流）做二次确认。
五、 常见问题解答（Q&A）
Q1: QuantDash能直接获取北向资金的每日净流入数据吗？
A: QuantDash主打标准化行情与K线数据。由于2024年港交所调整了北向资金盘中实时披露规则，传统“北向资金”字段已被映射为标准化市场代码（.SH/.SZ）与行情池（CN_Stock）。本文提供的是间接筛选方案——通过量价共振信号捕捉外资定价权提升的标的。如需精确的北向资金持股明细，建议结合官方披露数据与QuantDash的标准化行情做二次加工。
Q2: 代码里逐只获取K线会不会很慢？
A: 全A股5000多只，逐只请求确实需要一点时间（约1-2分钟）。QuantDash提供了 klines.batch 批量接口，可以一次性获取多只标的的K线。如果想提速，可以把循环改成批量请求，代码更简洁。
Q3: 筛选出来的标的一定是北向资金加仓的吗？
A: 不一定。这是一个代理信号——连续上涨+放量可能是游资炒作、也可能是散户追高。我的建议是：用这个方法初筛出一个股票池，再结合DeepSeek做AI诊股、或者用MACD/KDJ做二次过滤，千万不要无脑买入。
🔗 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/