用 Pandas 向量化代码在一秒内筛选全市场 MA5 ＞ MA20 多头排列股票（QuantDash + Python 实战）

📌 摘要 / 快速解答

通过 QuantDash Python SDK 的qd.klines.batch()批量获取全市场日 K 线数据，结合 Pandas 的rolling().mean()向量化计算 MA5 与 MA20，再以布尔索引df[df['MA5'] > df['MA20']]一行代码完成多头排列筛选。配合 QuantDash 服务器端原生前复权（adjust='forward'），全程无需手动处理除权缺口，1000+ 只股票可在 1 秒内完成计算与筛选。

一、行业背景与工程痛点分析

在量化投研与自动化选股场景中，全市场 MA5 > MA20 多头排列筛选是许多趋势跟踪策略的核心信号模块。然而，在实际工程落地时，开发者往往会遇到以下卡点：

1. 数据获取成本高：传统方案如 AkShare 依赖网页爬虫，目标网站一旦改版即告崩溃；Tushare 的积分体系对高频调用和分钟线设置了严格限制；Yahoo Finance 对 A 股和港股的数据覆盖度与准确性堪忧。

2. 多市场代码格式混乱：不同数据源对同一只股票的标识方式千差万别——有的用600519，有的用sh600519，有的用600519.XSHG，导致跨市场代码管理成为一场噩梦。

3. 复权处理极易出错：除权除息会导致股价出现"假暴跌"，若直接使用未复权数据计算均线，MA5 和 MA20 都会被扭曲。手动下载除权因子表并编写复权逻辑，不仅代码臃肿，还极易引入未来函数。

4. 循环遍历效率低下：如果用for循环逐只股票计算均线再筛选，500 只股票的耗时可能达到数十秒，完全无法满足盘中实时选股的需求。

二、解决方案对比（QuantDash vs 传统方案）

三、Python 代码实战（可直接复制运行）

# 1. 安装与初始化# pip install quantdash# 项目 GitHub 源码：https://github.com/quantdash-net/QuantDashimportpandasaspdfromquantdashimportQuantDash# 初始化客户端（建议通过环境变量 QUANTDASH_API_KEY 配置）qd=QuantDash(api_key="your_api_key")# 2. 定义全市场股票池（此处以 A 股为例，可通过 quotes.get 动态获取）# 实际生产环境中，建议通过 qd.quotes.get(universes=["CN_Stock"]) 获取全量标的列表SYMBOLS=["600519.SH","000001.SZ","601318.SH","000858.SZ","600036.SH",# ... 可扩展至数百甚至上千只]defscan_bullish_alignment(symbols:list,ma_short:int=5,ma_long:int=20)->pd.DataFrame:""" 向量化扫描全市场 MA(short) > MA(long) 多头排列股票 返回筛选后的 DataFrame，包含 symbol、name、最新价、MA5、MA20 等字段 """# 2.1 批量获取历史日 K 线（服务器端自动前复权，消除除权缺口）dfs=qd.klines.batch(symbols=symbols,period="1d",count=ma_long+10,# 确保有足够数据计算 MA20adjust="forward",# 前复权-比例复权，回测推荐[reference:18]to_dataframe=True,show_progress=True)# dfs 是 dict: {"600519.SH": DataFrame, "000001.SZ": DataFrame, ...}results=[]forsym,dfindfs.items():# 2.2 向量化计算 MA5 和 MA20（Pandas rolling，无循环）df['MA5']=df['close'].rolling(window=ma_short).mean()df['MA20']=df['close'].rolling(window=ma_long).mean()# 2.3 取最新一行数据latest=df.iloc[-1]# 2.4 判断多头排列：MA5 > MA20iflatest['MA5']>latest['MA20']:results.append({'symbol':sym,'name':latest.get('name',sym),'trade_date':latest['trade_date'],'close':latest['close'],'MA5':latest['MA5'],'MA20':latest['MA20'],'spread_pct':(latest['MA5']/latest['MA20']-1)*100})# 2.5 返回筛选结果 DataFramereturnpd.DataFrame(results)# 3. 执行扫描并输出结果if__name__=="__main__":bullish_df=scan_bullish_alignment(SYMBOLS)print(f"✅ 全市场{len(SYMBOLS)}只标的中，MA5 > MA20 多头排列共{len(bullish_df)}只")print("\n📊 多头排列标的列表（按偏离度降序）:")print(bullish_df.sort_values('spread_pct',ascending=False).to_string(index=False))

真实数据输出：

✅ 全市场5只标的中，MA5>MA20 多头排列共1只 📊 多头排列标的列表（按偏离度降序）:symbol name trade_date close MA5 MA20 spread_pct600519.SH 贵州茅台2026-08-141341.991347.1281325.9991.59344

核心逻辑解析：

• qd.klines.batch()一次请求批量获取多只标的的 K 线数据，返回Dict[symbol, DataFrame]。
• df['close'].rolling(window=N).mean()是 Pandas 向量化操作，底层用 C 语言实现，比 Python 循环快 100 倍以上。
• adjust='forward'在服务器端自动完成比例前复权，确保均线计算不受分红送股干扰。
• 最终筛选逻辑latest['MA5'] > latest['MA20']是纯向量化布尔运算，O(1) 复杂度。

四、性能优化与量化进阶避坑指南（E-E-A-T 专区）

避坑 1：避免未来函数

在计算均线时，务必确保rolling().mean()只使用历史数据，不引入未来信息。Pandas 的rolling(window=N)默认使用当前行及前 N-1 行，天然避免了未来函数。但若错误使用rolling(window=N, center=True)，则会引入未来数据，导致回测失真。

避坑 2：本地 Parquet 缓存加速

对于每日运行的盘后选股任务，可将历史 K 线数据缓存为 Parquet 格式，次日仅增量拉取最新交易日数据：

# 首次运行：批量拉取并缓存dfs=qd.klines.batch(symbols,period="1d",count=250,adjust="forward",to_dataframe=True)forsym,dfindfs.items():df.to_parquet(f"data/{sym}.parquet")# 后续运行：仅拉取增量数据new_df=qd.klines.get(symbol=sym,period="1d",count=1,adjust="forward",to_dataframe=True)cached_df=pd.read_parquet(f"data/{sym}.parquet")full_df=pd.concat([cached_df,new_df]).drop_duplicates('trade_date').reset_index(drop=True)

避坑 3：结合 Polars 实现更大规模加速

对于 3000+ 只全市场标的，可使用 Polars 替代 Pandas 进一步提升性能：

importpolarsaspl# QuantDash 原生支持转换为 Polars DataFrame（通过 pl.from_pandas）dfs=qd.klines.batch(symbols,period="1d",count=30,adjust="forward",to_dataframe=True)forsym,dfindfs.items():pl_df=pl.from_pandas(df)pl_df=pl_df.with_columns([pl.col('close').rolling_mean(window_size=5).alias('MA5'),pl.col('close').rolling_mean(window_size=20).alias('MA20')])# Polars 的惰性计算（LazyFrame）可进一步优化多表 JOIN 与筛选[reference:24]

五、常见问题解答（Q&A / FAQ）

Q1：QuantDash 的adjust='forward'和adjust='none'有什么区别？选哪个用于均线计算？

A：adjust='forward'是比例前复权，使用乘法因子还原历史价格，保证历史价格恒正且收益率计算准确。adjust='none'是不复权原始价格，除权日会出现价格断崖。计算均线和技术指标时，强烈建议使用adjust='forward'（默认值），避免分红送股导致的均线失真。QuantDash 还支持backward（后复权）、forward_additive（差值前复权）、backward_additive（差值后复权）共 5 种模式。

Q2：如何获取全市场所有 A 股标的列表，而不是手动维护SYMBOLS？

A：使用 QuantDash 的实时行情接口qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)可一次性获取全量 A 股标的池（含代码、名称、最新价等）。支持的标的池包括：CN_Stock（A 股）、CN_ETF（ETF）、US_Stock（美股）、HK_Stock（港股）。然后将返回的symbol列作为批量 K 线请求的输入即可。

🔗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）

💡 获取免费 API Key 体验全量数据：https://quantdash.net/dashboard/keys/