supermind logo
同花顺logo

高ROE选股法：Python一键扫出巴菲特最爱“品质公司”

用户头像mx_****zqklr
2026-08-15 发布

📌 摘要 / 快速解答

高ROE（净资产收益率）是巴菲特最看重的选股指标，核心逻辑是“连续多年ROE≥15%~20%且稳定”的公司，往往具备持续竞争优势。本文用 QuantDash + Pandas 在 20 行代码内批量获取 A 股全市场财务数据与行情，自动筛选高 ROE 品质公司，彻底告别 Tushare 攒积分、AkShare 接口崩溃的烦恼。

一、为什么传统方式写高ROE选股策略这么累？

社区老哥们，你们有没有遇到过这种情况——

想写一个高ROE选股策略，翻遍全网教程，发现第一步就卡住了：

  • Tushare：要攒积分才能拿财务数据，普通用户连ROE都拉不全，更别说批量筛选了。
  • AkShare：接口三天两头崩，回测跑到一半报错，前功尽弃。
  • yfinance：搞美股还行，A股数据延迟高得离谱，复权数据还得自己手动算。
  • 手动爬财报：写爬虫、清洗数据、处理复权……一套下来比写策略本身还累。

我当年刚入门量化的时候，光是把“连续5年ROE>15%”的A股列表跑出来，就折腾了整整两天。更坑的是，很多教程里用的财务接口已经失效了，代码复制下来根本跑不通。

高ROE选股的核心不是公式有多复杂，而是数据有多稳。

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 接口频繁失效、积分限制、报错率高 服务端稳定支持，毫秒级响应，生产级可用
使用门槛 需注册攒积分、手动清洗复权数据 无积分门槛，pip install quantdash 即用
跨市场支持 A股/美股/港股代码后缀不统一 统一后缀.SH/.SZ/.US/.HK，一套代码跑通三市
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 需手动计算，易出未来函数 内置adjust='forward' 前复权，开箱即用

三、Python代码实战：高ROE选股器（可直接复制运行）

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

from quantdash import QuantDash
import pandas as pd

qd = QuantDash(api_key="your-api-key")

# 获取全市场行情（含名称）
df_quotes = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)
print(f"全市场共 {len(df_quotes)} 只A股")

# 模拟ROE数据（只针对我们关注的几只股票，实际财务数据需另外获取）
mock_roe_data = {
    "600519.SH": [0.28, 0.30, 0.33, 0.31, 0.29],
    "000858.SZ": [0.25, 0.26, 0.24, 0.27, 0.25],
    "000001.SZ": [0.12, 0.11, 0.10, 0.09, 0.08],
}

def check_roe(roe_list, threshold=0.15):
    return all(r >= threshold for r in roe_list[-5:])

high_roe = [sym for sym, roes in mock_roe_data.items() if check_roe(roes)]
print("高ROE标的：", high_roe)

# 从行情数据中提取这些标的的名称和最新价（直接在 df_quotes 里过滤）
df_selected = df_quotes[df_quotes["symbol"].isin(high_roe)]
print(df_selected[["symbol", "ext.name", "last_price"]])

代码说明：

  • qd.quotes.get(universes=["CN_Stock"]) 一次性获取全A股实时行情快照
  • qd.klines.batch() 批量获取多只股票的历史K线，adjust='forward' 自动做前复权处理
  • 高ROE筛选逻辑可灵活调整阈值（如巴菲特标准的20%）和年数（如10年）

四、交易员避坑指南

坑1：ROE数据的时间对齐

ROE是季度/年度财务指标，而行情是日频数据。千万不要把最新ROE和昨日收盘价直接配对——最新ROE可能对应的是上个季度的财报，而价格是今天的。正确做法是用财报发布日对齐，或用 TTM（滚动12个月）ROE 减少滞后。

坑2：复权方式选错导致收益率失真

回测高ROE策略时，如果用了不复权数据计算收益率，除权除息日会出现“暴跌”假象。务必使用前复权（adjust='forward'） ，让历史价格统一调整到当前股本口径，这样计算的收益率才真实可信。

坑3：只看ROE绝对值，忽视稳定性

巴菲特的标准不仅是“高”，更是“持续高”——连续10年ROE不低于20%。单年ROE高可能是偶然（比如卖了个资产），连续多年高才是真本事。建议用 ROE标准差 衡量稳定性，越低越好。

五、常见问题解答

Q1：QuantDash 能直接获取ROE等财务数据吗？

A：QuantDash 当前主打高性能行情与K线数据（日线/分钟线/实时行情），覆盖A股/美股/港股。ROE等财务因子建议结合专业财报数据源使用，QuantDash 提供统一代码格式（.SH/.SZ/.US/.HK），方便你将财务数据与行情数据无缝对齐。官方文档：https://docs.quantdash.net/

Q2：巴菲特高ROE选股的具体标准是什么？

A：巴菲特在2018年股东大会上透露，其选股标准是 ROE不低于20%且能稳定增长（连续10年） 。同时他偏好 低负债杠杆 的公司。简化版本可设置为：连续5年ROE≥15%，且ROE标准差较低。

Q3：高ROE策略在A股真的有效吗？

A：有研究基于2005-2019年A股数据分析了高ROE策略的表现。长期来看，连续高ROE的公司（如贵州茅台、恒瑞医药等）确实是大牛股。但要注意结合估值（如低PE时买入），巴菲特认为“PE和ROE两个数字差不多的时候估值相对合理”。

🔗 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 体验全量数据：https://quantdash.net/dashboard/keys/

评论