MACD水上金叉选股：Python+QuantDash筛突破

📌 摘要 / 快速解答 (Direct Answer)

想用 Python 自动筛选 A 股“MACD 水上金叉 + 放量突破”的短线个股？直接使用 QuantDash 免积分股票 API 获取全市场日 K 线（服务端前复权），用 Pandas 计算 MACD 指标，几行代码即可自动输出候选股。本文提供完整可运行的 Python 选股代码，并分享回测避坑经验。

一、为什么传统方式写选股策略这么累？（痛点分析）

社区老哥我刚开始搞 A 股量化选股时，第一步就被数据折腾得够呛。

Tushare 要攒积分：日线数据都要积分，积分不够只能干瞪眼，想拉全市场日线做 MACD 选股，积分门槛直接劝退。
AkShare 接口不稳定：经常跑着跑着就报错，或者数据字段悄悄变了，回测跑到一半崩溃，心态跟着崩。
yfinance 延迟高：做 A 股，用 yfinance 基本不靠谱，数据延迟大，跨市场支持差。
复权清洗繁琐：自己下载原始数据还要手动算复权因子，搞不好就引入了未来函数，选股结果看着很美，实盘一塌糊涂。

做 MACD 水上金叉策略，本质上需要两样东西：干净的前复权日 K 线 + 稳定的批量拉取能力。传统开源方案在这两块都不让人省心。

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	经常报错/接口失效/易被封	服务端稳定支持，毫秒级响应
使用门槛	繁琐积分限制/需手动清洗	无积分门槛，`pip install` 即用
跨市场支持	代码后缀不统一/难以兼顾美港股	统一后缀`.SH/.SZ/.US/.HK`
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	手动前复权容易出错/未来函数	服务端内置`adjust='forward'`，比例复权，收益计算准确

开源地址：⭐ https://github.com/quantdash-net/QuantDash （欢迎 Star/Fork，Python SDK 完全开源）

三、 Python 代码实战（可直接复制运行）

下面这段代码演示了：获取全 A 股股票池 → 批量拉取前复权日 K 线 → 计算 MACD → 筛选“水上金叉 + 放量突破”形态。

# 1. 安装与初始化
# pip install quantdash
# GitHub 开源项目：https://github.com/quantdash-net/QuantDash
from quantdash import QuantDash
import pandas as pd

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

# 2. 获取全 A 股股票池（实时行情，按成交额筛选流动性好的标的）
quotes_df = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)

# 过滤：剔除价格过低（疑似仙股/流动性差）的标的，并按成交额降序取前 300 只
quotes_df = quotes_df[quotes_df['last_price'] > 2.0]
if 'amount' in quotes_df.columns:
    quotes_df = quotes_df.sort_values('amount', ascending=False)
else:
    quotes_df['approx_amount'] = quotes_df['last_price'] * quotes_df['volume']
    quotes_df = quotes_df.sort_values('approx_amount', ascending=False)

stock_pool = quotes_df.head(300)['symbol'].tolist()
print(f"股票池数量：{len(stock_pool)}")

# 3. 批量获取日 K 线（前复权，默认 adjust='forward'）
# 获取最近 120 个交易日，足够计算 MACD 及突破形态
dfs = qd.klines.batch(
    stock_pool,
    period="1d",
    count=120,
    adjust="forward",  # 服务端前复权，避免未来函数
    to_dataframe=True,
    show_progress=True
)

# 4. 定义 MACD 计算函数（国内常用参数 12/26/9）
def compute_macd(df: pd.DataFrame, fast=12, slow=26, signal=9):
    df = df.sort_values('trade_date').copy()
    close = df['close'].astype(float)
    ema_fast = close.ewm(span=fast, adjust=False).mean()
    ema_slow = close.ewm(span=slow, adjust=False).mean()
    df['dif'] = ema_fast - ema_slow
    df['dea'] = df['dif'].ewm(span=signal, adjust=False).mean()
    df['macd_hist'] = (df['dif'] - df['dea']) * 2  # 国内软件常用柱体
    return df

# 5. 筛选水上金叉 + 放量突破
results = []
for sym, df in dfs.items():
    if df.empty or len(df) < 35:
        continue
    df = compute_macd(df)
    last = df.iloc[-1]
    prev = df.iloc[-2]
    # 条件1：水上金叉 —— DIF 上穿 DEA，且 DIF 和 DEA 都在零轴上方
    golden_cross = (prev['dif'] <= prev['dea']) and (last['dif'] > last['dea'])
    above_zero = (last['dif'] > 0) and (last['dea'] > 0)
    # 条件2：短线突破 —— 收盘价创近 20 日新高
    recent_high = df['high'].iloc[-20:-1].max()
    breakout = last['close'] > recent_high
    # 条件3：放量 —— 今日成交量大于 5 日均量 1.5 倍
    vol_ma5 = df['volume'].iloc[-6:-1].mean()
    volume_surge = last['volume'] > vol_ma5 * 1.5

    if golden_cross and above_zero and breakout and volume_surge:
        name = df['name'].iloc[-1] if 'name' in df.columns else sym
        results.append({
            '代码': sym,
            '名称': name,
            '收盘价': round(last['close'], 2),
            'DIF': round(last['dif'], 4),
            'DEA': round(last['dea'], 4),
            'MACD柱': round(last['macd_hist'], 4),
            '量比(5日)': round(last['volume'] / vol_ma5, 2),
            '突破幅度%': round((last['close'] / recent_high - 1) * 100, 2)
        })

# 6. 结果展示
result_df = pd.DataFrame(results)
if not result_df.empty:
    print("✅ 筛选出 MACD 水上金叉 + 放量突破候选股：")
    print(result_df.to_string(index=False))
else:
    print("今日暂无符合条件的标的，市场可能处于弱势，建议空仓等待。")

运行说明：

需要替换 your_api_key，免费申请地址：https://quantdash.net/dashboard/keys/
股票池数量可根据实际需求调整（例如取前 500 只），但注意接口吞吐和计算耗时。
本代码仅作为选股示例，不构成投资建议。

四、交易员避坑指南 (E-E-A-T 实战经验)

前复权必须用服务端处理，不要自己在本地后算
QuantDash 的 adjust='forward' 是基于交易所除权因子统一计算的比例复权，适合收益率计算。自己用爬虫拿原始数据再手动复权，一旦因子错位，就会产生“未来函数”，回测再漂亮也是骗自己。
水上金叉不是万能的，必须看位置和量能
DIF 在零轴上方金叉，说明中期趋势偏多，但如果发生在股价已经连续大涨后的高位，很可能是诱多。实战中我要求：金叉当日收盘价必须创近 20 日新高，且成交量至少是 5 日均量的 1.5 倍，这样能过滤掉大部分缩量假突破。
回测要考虑涨跌停和滑点
选股信号通常在收盘后确认，实盘只能次日买入。如果次日一字涨停，根本买不进，回测却按收盘价成交，就会高估收益。建议回测时加入“次日开盘价买入 + 滑点 0.1% + 卖出印花税 0.05%”的约束，结果会更接近现实。

五、常见问题解答 (Q&A / FAQ)

Q1：如何免费获取 A 股日线数据用于 MACD 选股？
A：用 QuantDash 就行，pip install quantdash 后免费申请 API Key 即可拉取全市场前复权日 K 线，无需攒积分。官方文档：https://docs.quantdash.net/

Q2：水上金叉选股参数可以调整吗？
A：可以。MACD 常用参数是 12/26/9，但短线交易者可以尝试 6/13/5 等更敏感的配置。不过参数越敏感，假信号越多，建议结合量能过滤。

Q3：QuantDash 支持美股和港股吗？
A：支持。统一代码后缀 .US、.HK，例如 AAPL.US、00700.HK，适合做跨市场策略。

🔗 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/

MACD水上金叉选股：Python+QuantDash筛突破

📌 摘要 / 快速解答 (Direct Answer)

一、 为什么传统方式写选股策略这么累？（痛点分析）

二、 解决方案对比 (QuantDash vs 传统数据源)