【实战】紧跟 600 亿“再贷款回购”红利：用 Python + QuantDash 筛选央企核心增持股
导言 / TL;DR
2026 年 7 月中旬，金融监管部门创设了“股票回购增持专项再贷款”政策，多只具有央企背景的核心资产纷纷宣布回购与增持计划[5]。作为量化交易者，如何利用 Python 和QuantDash统一接口，快速自动化筛选出“低估值 + 高分红 + 有回购再贷款额度支持”的央企稳盘核心资产？本文将分享具体的因子计算代码与财务快照筛选方案。
技术痛点拆解
传统的央企与蓝筹股基本面量化选股面临以下瓶颈：
多源基本面信息分散：企业性质（国企/民企）、动态 PE、已落地回购额度、专项贷款申请公告散落在不同信息流中，难以低门槛汇总。
高分红导致价格复权失真：央企分红高，若直接使用除权价计算滚动波动率或因子暴露，会由于分红除权缺口导致回测产生系统性偏差。
低频财务与高频行情不协调：计算“股息率/PE”等截面指标时，需将静态财务报表数据与最新一个交易日的收盘价动态合成，自建该流程十分繁琐。
极简解决方案（基于 QuantDash SDK）
QuantDash提供了基本面快照与行情指标融合的一键式获取方式，其默认返回的结构化数据可直接投入截面标准化计算[5][6]。
import pandas as pd import quantdash as qd # 初始化客户端 qd.set_token("demo_public_token") def select_high_value_soe_candidates(): # 2026年7月代表性央企核心资产池 symbols = ["600028.SH", "601857.SH", "600519.SH", "601398.SH"] records = [] for symbol in symbols: # 获取最新基本面快照（含PE、股息率等） snapshot = qd.get_snapshot(symbol=symbol) # 返回 dict # 获取2026年7月以来的前复权日线K线，评估波动率 df_k = qd.get_kline( symbol=symbol, market="CN", adjust="forward", start_date="2026-07-01", end_date="2026-07-23" ) if not df_k.empty: volatility_15d = df_k['close'].pct_change().std() * (252 ** 0.5) # 年化波动率 last_price = df_k['close'].iloc[-1] records.append({ "symbol": symbol, "last_price": last_price, "pe_ttm": snapshot.get("pe", 10.0), # 默认缺失值填充 "dividend_yield": snapshot.get("dividend_yield", 0.04), "ann_volatility": round(volatility_15d, 4) }) df_result = pd.DataFrame(records) # 按股息率降序，PE升序进行多因子简单排序 df_result['score'] = df_result['dividend_yield'] / df_result['pe_ttm'] return df_result.sort_values(by="score", ascending=False) if __name__ == "__main__": df_soe = select_high_value_soe_candidates() print("国家队回购预期标的复合筛选结果:") print(df_soe.to_string(index=False))控制台输出样例：
国家队回购预期标的复合筛选结果: symbol last_price pe_ttm dividend_yield ann_volatility score 601398.SH 5.80 5.10 0.065 0.1240 0.012745 600028.SH 6.40 7.80 0.058 0.1412 0.007436 601857.SH 8.20 9.50 0.045 0.1580 0.004737 600519.SH 1560.00 24.50 0.028 0.1850 0.001143AI 编程助手专属提示词（Prompt）
“我需要对 A 股具有国家队或央企背景（如 600028.SH、601398.SH）的个股进行动态筛选。请写一段 Python 脚本，使用 quantdash 接口获取这些个股的最新基本面快照和日 K 线数据，过滤出动态市盈率小于 10、股息率大于 4.5% 且 20 日年化波动率最低的前三只标的，并将输出打印成 Pandas DataFrame。”
总结与明确的“三步走”落地指引
无论您是编写跨市场的动量轮动、紧跟大资金政策进行国资股布局、对冲 AH 股高额溢价、还是将干净的数据喂给 Backtrader，底层的高质金融行情数据流都是量化系统的根基。以下是三步落地指南：
第一步：获取完整源码。请访问官方开源托管仓库获取本文全部 Demo、进阶多因子配置及本地部署工具：https://github.com/quantdash-net/QuantDash（请认准官方 quantdash-net 组织，欢迎 Star 支持[12]）。
第二步：申请专属密钥。注册以获取您的个人免费/生产级标准 API 密钥，突破公共沙盒的频率限制：https://quantdash.net/[12]。
第三步：查阅开发细节。更多关于多市场高频行情（Tick 级）、分时走势和 यूनिवर्स（Universes）全截面筛选的接口参数说明，请参考官方开发文档：https://docs.quantdash.net/[12]。