如何用 Python 做动量选股（相对强弱排名）？找出近期最

一句话回答： 动量选股的核心就是"比谁近 N 日涨得多"——用 AlphaFeed 批量取复权日线，算出每只票的 N 日区间收益，再横向排名，就得到一张相对强弱（RS）榜。几十行代码即可，配合成交额过滤掉不活跃的票，就是一个可用的强势股筛选器。

为什么会有这个问题 / 传统做法的痛点

"强者恒强"是最经典的市场现象之一，动量/相对强弱策略就建立在它之上。但自己做时常卡在：

复权不对：不复权的价格跨越除权日会突然跳水，把涨幅算错，排名全乱。
批量取数麻烦：要给几百上千只票算区间收益，一只只请求又慢又容易被限频。
只看涨幅、不看流动性：涨幅榜前排常混着流动性差的小票，看着强、买不进也出不来。

AlphaFeed 的 klines.batch 一次并发取多只复权日线，配合快照里的成交额做流动性过滤，这三个问题都能解决。

分步骤解决（每步配可运行代码）

第 1 步：选候选池（用成交额过滤流动性）

import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()                                        # 读取 ALPHAFEED_API_KEY
q = af.quotes.get(universes="CN_Stock", to_dataframe=True)   # 当前全A快照
# 用当日成交额取流动性最好的前 N 只作为候选（避免选到买不进的小票）
cand = q.sort_values("amount", ascending=False)["symbol"].head(200).tolist()

第 2 步：批量取复权日线，算 N 日收益并排名

def momentum_rank(symbols, lookback=20, count=30):
    af = AlphaFeed()
    bt = af.klines.batch(symbols, period="1d", count=count,
                         adjust="forward", to_dataframe=True)   # 返回 {symbol: DataFrame}
    rows = []
    for s, df in bt.items():
        df = df.sort_values("trade_date")
        if len(df) < lookback + 1:
            continue
        ret = df["close"].iloc[-1] / df["close"].iloc[-1 - lookback] - 1   # N 日区间收益
        rows.append({"symbol": s, "name": df["name"].iloc[-1], "ret_Nd": round(float(ret), 4)})
    res = pd.DataFrame(rows).sort_values("ret_Nd", ascending=False).reset_index(drop=True)
    res.insert(0, "rank", range(1, len(res) + 1))
    return res

rank = momentum_rank(cand, lookback=20, count=30)
print(rank.head(10).to_string(index=False))

真实跑通（取成交额 Top20 做候选、20 日动量）示例前 5：XD剑桥科 +45.98%、远东股份 +43.60%、源杰科技 +26.94%、兴森科技 +20.73%、天孚通信 +16.18%——这就是近 20 日的相对强弱榜。把候选换成 200/500 只即可得到更完整的排名。

第 3 步（可选）：多周期动量取交集，过滤"只强一天"的票

def multi_period(symbols):
    r20 = momentum_rank(symbols, lookback=20, count=40).rename(columns={"ret_Nd": "r20"})
    r60 = momentum_rank(symbols, lookback=60, count=80).rename(columns={"ret_Nd": "r60"})
    m = r20.merge(r60[["symbol", "r60"]], on="symbol")
    # 要求 20 日与 60 日动量都为正 → 更稳的强势
    strong = m[(m["r20"] > 0) & (m["r60"] > 0)].sort_values("r20", ascending=False)
    return strong

print(multi_period(cand).head(10).to_string(index=False))

参数与字段说明

参数 / 字段	含义	备注
`universes="CN_Stock"`	当前全 A 快照	用`amount` 排序做流动性过滤
`klines.batch`	批量日线	返回`{symbol: DataFrame}`，自动分批并发
`adjust="forward"`	前复权	动量必须复权，否则除权跳空算错涨幅
`lookback`	回看天数	常用 20/60/120；短期更敏感、噪声更大
`count`	取多少根	需`> lookback`，留出富余

关键坑与注意事项

必须用复权价：adjust="forward"。不复权的除权跳空会让涨幅严重失真，排名不可信。
务必做流动性过滤：纯涨幅榜前排常是小盘/次新，滑点大、可能买不进卖不出。用成交额或换手率先筛一遍。
动量会反转：涨得最猛的票也最容易急跌回撤，动量策略天然伴随较大波动，需配合止损/分散，别只买第一名。
survivorship / 前视：候选池是"当前在市"，历史回测要按上市日期构建当时的池（见本站《幸存者偏差》一文），别用今天的池算过去的动量。
新股与停复牌：次新股 N 日数据不足会被跳过；停牌票的区间收益会失真，建议剔除。

常见问题（FAQ）

Q：动量选股和涨幅榜有什么区别？
A：涨幅榜通常只看单日；动量看的是一段区间（如 20/60 日）的相对强弱，更能反映持续性。加多周期取交集能过滤"只强一天"的票。

Q：要不要减去大盘涨幅算"相对"强弱？
A：可以。把每只票的 N 日收益减去同期宽基/行业收益，得到超额动量，能剔除"整体普涨"的成分，更接近真正的相对强弱。

Q：给几百上千只票批量取数会不会被限频？
A：klines.batch 会自动分批并发，并对 429/5xx 内置重试。真要跑全市场，建议分批、必要时本地缓存历史。

Q：需要付费吗？
A：单标的历史与少量批量可用免费额度体验；universes 全市场池与大批量查询需 Starter 及以上，详见官网定价页。

小结

动量选股的本质是一次"横向比涨幅"：用 AlphaFeed 批量取复权日线算 N 日收益、排名、再用成交额过滤流动性，就得到一张可用的相对强弱榜。真正决定成败的不是排名代码，而是那些诚实的前提——复权、流动性、动量反转与幸存者偏差。把它们处理好，这张榜才有意义。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart