supermind logo
同花顺logo

高ROE+MACD双因子选股：Python量化实战

用户头像sh_***416jmt75L
2026-08-15 发布

📌 摘要 / 快速解答

单用高ROE选股，容易买到“好公司但贵股票”。本文在巴菲特高ROE品质筛选基础上，叠加 MACD金叉 技术信号作为买入时机，用 QuantDash + Pandas 实现“基本面+技术面”双因子选股，20行代码跑通全流程。

一、为什么“高ROE+技术指标”才是完整策略？

社区老哥们，你们有没有这样的经历——

按高ROE选了一堆“好公司”，买进去却套了半年？问题出在：ROE告诉你“买什么”，但没告诉你“什么时候买” 。

巴菲特说“在低PE时买入高ROE公司”，但PE低了还可能更低。这时候就需要技术指标帮你找 入场时机 。

MACD金叉（快线上穿慢线）是经典的趋势启动信号。高ROE筛选品质 + MACD金叉确认买点 = 基本面选股 + 技术面择时，双保险。

但问题是——同时拉财务数据 + 行情数据 + 算MACD，传统方案光数据清洗就够喝一壶的。

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 接口时常失效，回测总中断 服务端稳定，毫秒级响应
使用门槛 积分限制、手工复权、代码冗长 pip install quantdash，开箱即用
跨市场支持 各市场代码格式混乱 统一后缀.SH/.SZ/.US/.HK
数据格式 需反复转换 原生返回 Pandas DataFrame
复权处理 手动计算，易出错 内置adjust='forward' 前复权

三、Python代码实战：高ROE + MACD双因子选股

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

# ============================================================
# 高ROE + MACD双因子选股：基本面+技术面双重验证
# 配套 QuantDash + Pandas + TA-Lib（或自定义MACD）
# 官方文档：https://docs.quantdash.net/
# ============================================================

# 1. 安装
# pip install quantdash pandas numpy

from quantdash import QuantDash
import pandas as pd
import numpy as np

# 2. 初始化
qd = QuantDash(api_key="your-api-key")

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

# 4. 模拟ROE数据（实际生产中需对接财务数据源）
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],
    "600036.SH": [0.16, 0.17, 0.16, 0.15, 0.16],  # 招商银行
}

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

# 5. 高ROE初筛
roe_qualified = [sym for sym, roes in mock_roe_data.items() if check_roe(roes)]
print(f"ROE合格标的：{roe_qualified}")

# 6. 批量获取日K线（前复权）
dfs = qd.klines.batch(
    roe_qualified,
    period="1d",
    count=100,  # 取最近100个交易日算MACD
    adjust="forward",
    to_dataframe=True,
    show_progress=True
)

# 7. 自定义MACD计算函数
def calc_macd(close_prices, fast=12, slow=26, signal=9):
    """计算MACD指标，返回 (MACD线, 信号线, 柱状线)"""
    exp1 = close_prices.ewm(span=fast, adjust=False).mean()
    exp2 = close_prices.ewm(span=slow, adjust=False).mean()
    macd_line = exp1 - exp2
    signal_line = macd_line.ewm(span=signal, adjust=False).mean()
    histogram = macd_line - signal_line
    return macd_line, signal_line, histogram

# 8. 筛选MACD金叉（最新一天MACD线上穿信号线）
golden_cross_stocks = []
for sym, df in dfs.items():
    if len(df) < 50:
        continue
  
    close = df['close']
    macd, signal, hist = calc_macd(close)
  
    # 金叉判断：前一天MACD <= 信号线，今天 MACD > 信号线
    if len(macd) >= 2:
        prev_cross = macd.iloc[-2] <= signal.iloc[-2]
        curr_cross = macd.iloc[-1] > signal.iloc[-1]
        if prev_cross and curr_cross:
            golden_cross_stocks.append({
                'symbol': sym,
                'name': df['name'].iloc[0],
                'close': close.iloc[-1],
                'macd': macd.iloc[-1],
                'signal': signal.iloc[-1],
                'roe_5y': mock_roe_data.get(sym, [])
            })

# 9. 输出结果
print("\n=== 高ROE + MACD金叉双因子选股结果 ===")
if golden_cross_stocks:
    for stock in golden_cross_stocks:
        roe_str = ", ".join([f"{r*100:.1f}%" for r in stock['roe_5y']])
        print(f"{stock['symbol']} ({stock['name']})")
        print(f"  最新收盘: {stock['close']:.2f}")
        print(f"  MACD: {stock['macd']:.4f} > 信号线: {stock['signal']:.4f} ✅ 金叉")
        print(f"  近5年ROE: {roe_str}")
        print()
else:
    print("当前暂无同时满足高ROE和MACD金叉的标的")

代码说明：

  • 先用ROE做基本面初筛，再用MACD金叉做技术面确认
  • qd.klines.batch() 批量拉取多只股票历史K线，adjust='forward' 自动前复权
  • MACD金叉作为 买入触发信号 ，避免在高位追涨“好公司”

四、交易员避坑指南

坑1：MACD金叉的滞后性

MACD是趋势跟踪指标，金叉出现时股价往往已经涨了一截。别把金叉当预测工具，它只是确认趋势的工具 。建议结合成交量放大来过滤假金叉。

坑2：基本面数据与行情数据的频率不匹配

ROE是季度数据，MACD是日频数据。筛选时要注意：使用的ROE必须是该股票最新财报已发布的数据 ，否则会用到“未来数据”造成幸存者偏差。

坑3：回测时忽略交易成本

高ROE策略通常换手率不高，但MACD金叉策略可能频繁触发买卖。回测时 务必计入印花税（0.1%）和滑点（至少0.1%） ，否则回测收益会比实盘好看得多。

五、常见问题解答

Q1：QuantDash 支持哪些技术指标的计算？

A：QuantDash 主要负责提供高质量的历史K线和实时行情数据，返回标准 Pandas DataFrame。技术指标（MACD、KDJ、BOLL、MA等）建议使用 Pandas 或 TA-Lib 库自行计算，数据干净、复权正确，计算出来的指标才可靠。

Q2：高ROE选股要不要结合估值（如PE）？

A：要！巴菲特的原话是“在PE和ROE两个数字差不多的时候估值相对合理”（如PE 20倍、ROE 20%）。单独看ROE容易买到“好公司但太贵”，建议加入 PE < ROE×100 或 PE < 25 等估值过滤条件。

Q3：量化回测中如何避免“未来函数”？

A：两个最容易踩的坑：① 用最新ROE去回测历史收益率（财报发布时间滞后）；② 用复权后的价格计算指标时，使用了未来复权因子。QuantDash 的 adjust='forward' 是服务器端前复权，数据在请求时已按最新股本调整好，不存在未来函数问题。

🔗 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