supermind logo
同花顺logo

高ROE选股法：3行代码扫出A股"印钞机"

用户头像mx_****zqklr
2026-08-17 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，核心逻辑是筛选出"用少量股东资本就能赚大钱"的优质公司。本文手把手教你用 QuantDash Python SDK 批量获取 A 股全市场行情，结合 Pandas 实现高 ROE 选股策略，代码极简、无需积分、开箱即用。

一、为什么传统方式搞高ROE选股这么累？

老哥们，做量化选股的第一道坎永远是数据。我刚开始搞高 ROE 策略时，踩过的坑能写一本血泪史：

  • Tushare 要攒积分：想拿财务数据？先注册、攒积分、研究各种 API 权限，折腾半天连个 ROE 都拿不到。
  • AkShare 接口动不动崩：写好的策略跑着跑着突然报错，一看是数据源挂了，回测直接中断。
  • yfinance 延迟高：拿美股还行，A股数据要么延迟要么缺字段。
  • 复权计算头大：除权除息导致的价格跳空要手动处理，一不小心就引入未来函数。

作为一个在 SuperMind 社区摸爬滚打的老哥，我只想说——选股策略的核心应该是逻辑，而不是跟数据源搏斗。

二、解决方案对比

对比维度 传统方案（Tushare/AkShare/爬虫） QuantDash 解决方案
数据稳定性 经常报错、接口失效、易被封 商业级 API，云端高可用，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 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 需手动计算，易出错 一行adjust="forward" 搞定

三、Python 代码实战

下面这份代码，你可以直接复制到 SuperMind 社区的研究环境里跑。

# 高 ROE 选股策略 - 基本面筛选版
# 安装：pip install quantdash
# GitHub 开源项目：https://github.com/quantdash-net/QuantDash

from quantdash import QuantDash
import pandas as pd

# 1. 初始化（免费去 https://quantdash.net/dashboard/keys/ 拿 Key）
qd = QuantDash(api_key="your_api_key")

# 2. 获取全 A 股实时行情快照（一行代码扫全市场）
# universes=["CN_Stock"] 代表 A 股（沪深京）[reference:11]
df_quotes = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)
print(f"全市场共 {len(df_quotes)} 只股票")

# 3. 查看数据包含哪些字段（重点：ext.roe 就是 ROE 字段）
print(df_quotes.columns.tolist())

# 4. 高 ROE 选股：筛选 ROE > 15% 的股票
# 巴菲特标准：ROE > 15%，最好连续多年保持[reference:12][reference:13]
high_roe_stocks = df_quotes[
    (df_quotes['ext.roe'] > 15) &           # ROE > 15%
    (df_quotes['ext.roe'].notna())          # 去除空值
].copy()

# 5. 按 ROE 从高到低排序，取前 20 只
high_roe_stocks = high_roe_stocks.sort_values('ext.roe', ascending=False)
top20 = high_roe_stocks.head(20)

# 6. 展示结果
print("\n=== 高 ROE 选股结果（TOP 20）===")
print(top20[['symbol', 'ext.name', 'ext.roe', 'last_price', 'ext.change_pct']].to_string(index=False))

# 7. 选股逻辑解读：巴菲特最看重的指标是 ROE，代表公司利用股东资本赚钱的效率[reference:14]
# ROE 越高，说明公司经营效率越高，盈利能力越强[reference:15]

代码解读（大白话版） ：

  • qd.quotes.get(universes=["CN_Stock"])：这一行干了啥？一次性把全 A 股 5000 多只股票的实时行情全拉下来，包括价格、涨跌幅、ROE 等基本面数据。传统方式你得写循环、处理限流、拼接数据，QuantDash 一行搞定。
  • ext.roe：就是净资产收益率字段，直接可用，不用自己算。
  • 筛选逻辑：ROE > 15%，按从高到低排序，取前 20 只。这就是巴菲特"高 ROE 选股法"的核心。

四、交易员避坑指南

坑 1：ROE 高 ≠ 好公司，小心"杠杆陷阱"

ROE = 净利润 ÷ 股东权益。一家公司可以通过大量借债（加杠杆）把 ROE 做高，但负债率太高的话，一旦遇到行业寒冬就容易暴雷。建议配合资产负债率一起看，筛选 ROE > 15% 且资产负债率 < 60% 的公司。

坑 2：单季度 ROE 有季节性，要看连续多期

有些公司四季度集中确认收入，单季度 ROE 虚高。建议拉取最近 4 个季度的 ROE，要求平均值 > 15%，排除季节性干扰。

坑 3：回测时别用未来数据

如果用财务数据做回测，务必注意财报发布日期——Q1 财报 4 月底才出，你不能在 3 月份就用 Q1 的 ROE 数据去选股，这叫"未来函数"，回测会严重失真。

五、常见问题解答

Q1: QuantDash 能拿到历史 ROE 数据吗？用来做历史回测。

A: 可以。QuantDash 的 qd.quotes.get 返回的 DataFrame 中包含 ext.roe 字段，是截至最新财报期的 ROE 数据。如果需要历史时序 ROE 数据做回测，建议结合 QuantDash 的 K 线接口 qd.klines.get 做时间切片，配合财报披露日期进行对齐。具体用法参考官方文档：https://docs.quantdash.net/

Q2: 除了 ROE，QuantDash 还能拿到哪些基本面指标？

A: qd.quotes.get 返回的 DataFrame 包含丰富的字段，除了 ext.roe（净资产收益率），还有 ext.pe（市盈率）、ext.pb（市净率）、ext.total_mv（总市值）、ext.turnover_rate（换手率）等。你可以基于这些字段构建多因子选股模型，比如"高 ROE + 低 PE"的经典价值投资组合。

🔗 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/

评论