# 从 Excel 手动选股到 Python 自动化：一个散户的进化路径

如果你现在的选股流程是这样的：

1. 打开行情软件，翻涨幅榜、成交额榜
2. 挨个点开 K 线图，目测趋势
3. 打开 Excel，把感兴趣的票手动记下来
4. 第二天复盘时发现，昨天记的票有一半不记得为什么选了

那这篇文章就是写给你的。

我不是要劝你"学编程"。我想告诉你的是：**你已经在做量化了，只不过用的是最慢的工具。**

你脑子里那些"成交量放大 + 突破前高 + 均线多头"的判断标准，就是策略逻辑。区别只是你用眼睛一只一只看，还是让电脑几秒钟全部扫一遍。

## 阶段一：你现在的做法（Excel 时代）

典型工作流：

```
15:00 收盘
15:05 打开东方财富/同花顺
15:10 翻涨幅榜，看前 50 名
15:20 逐个点开 K 线，判断趋势
15:40 在 Excel 记下 5-10 个代码
15:50 手动查每只票的均线、成交量
16:00 写下明天的交易计划
```

**花了 1 小时，看了 50 只票。**

问题在哪？

- **覆盖率低：** A 股有 5000 多只，你只看了 1%
- **主观性强：** "趋势好不好"完全靠目测，心情不同判断不同
- **不可回溯：** 为什么选了这只票？当时什么逻辑？下周就忘了
- **重复劳动：** 每天重复同样的动作，没有积累

## 阶段二：用 Python 把眼睛做的事变成代码

你不需要懂机器学习，不需要会搭框架。你只需要把"你本来就在做的判断"翻译成代码。

比如你选股的标准是：

> "成交额大于 3 亿、涨幅 3%-8%、最新价站上 20 日均线"

用 Python 写出来就是：

```python
from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()

# 第一步：拿全市场行情（代替你翻涨幅榜）
df = af.quotes.get(universes="CN_Stock", to_dataframe=True)
df["change_rate"] = df["change_rate"].astype(float)
df["amount"] = df["amount"].astype(float)

# 第二步：初筛（代替你逐个排除）
candidates = df[
    (df["amount"] > 3e8) &
    (df["change_rate"] > 0.03) &
    (df["change_rate"] < 0.08)
].copy()
print(f"初筛：{len(candidates)} 只")
```

两步，5 行代码，代替了你 20 分钟的翻页操作。

而且它看了**全部 5000 只**，不是前 50 名。

## 阶段三：加上技术面判断

光看今天的涨幅不够。你平时还会看 K 线图判断趋势——让代码来做：

```python
symbols = candidates["symbol"].tolist()

# 批量拉 K 线（代替你逐个点开 K 线图）
dfs = af.klines.batch(symbols, period="1d", count=30,
                       adjust="forward", to_dataframe=True, show_progress=True)

results = []
for symbol, kdf in dfs.items():
    if len(kdf) < 20:
        continue

    close = kdf["close"].values
    volume = kdf["volume"].values
    high = kdf["high"].values

    ma5 = close[-5:].mean()
    ma20 = close[-20:].mean()

    # 均线多头
    if not (close[-1] > ma5 > ma20):
        continue

    # 放量（今天量 > 10 日均量 1.5 倍）
    avg_vol = volume[-11:-1].mean()
    if avg_vol > 0 and volume[-1] < avg_vol * 1.5:
        continue

    # 突破近 20 日高点
    prev_high = high[-21:-1].max() if len(high) > 21 else high[:-1].max()
    breakout = close[-1] > prev_high

    row = candidates[candidates["symbol"] == symbol]
    name = row["name"].values[0] if len(row) > 0 and "name" in row.columns else ""
    chg = row["change_rate"].values[0] if len(row) > 0 else 0

    results.append({
        "代码": symbol,
        "名称": name,
        "涨幅": f"{chg*100:.1f}%",
        "最新价": round(close[-1], 2),
        "MA5": round(ma5, 2),
        "MA20": round(ma20, 2),
        "突破新高": "✅" if breakout else "",
    })

result_df = pd.DataFrame(results)
print(f"\n最终选出 {len(result_df)} 只：")
print(result_df.to_string(index=False))
```

这段代码做的事情，就是你盯着 K 线图在做的事情。区别是：

| | 你的眼睛 | Python 脚本 |
| --- | --- | --- |
| 覆盖范围 | 50 只 | 5000 只 |
| 耗时 | 40 分钟 | 10 秒 |
| 判断标准 | 看心情 | 写死在代码里 |
| 可复盘 | 记不住 | 有记录 |

## 阶段四：把结果保存下来（代替 Excel）

```python
from datetime import date

filename = f"选股结果_{date.today():%Y%m%d}.csv"
result_df.to_csv(filename, index=False, encoding="utf-8-sig")
print(f"已保存到 {filename}")
```

打开这个 CSV，和你以前在 Excel 里记的一模一样——代码、名称、涨幅、价格。

但它是**自动生成的**，每天的选股标准完全一致，而且可以回溯对比。

## 阶段五：自动化（彻底解放双手）

把脚本保存为 `daily_scan.py`，加一个定时任务：

```bash
# macOS / Linux：每个交易日 15:05 自动运行
5 15 * * 1-5 cd /your/path && uv run python daily_scan.py
```

加上推送通知，结果直接发到手机：

```python
import requests

def push_result(results_df, sendkey):
    lines = [f"今日选出 {len(results_df)} 只\n"]
    for _, r in results_df.head(15).iterrows():
        lines.append(f"- {r['代码']} {r['名称']} {r['涨幅']} {r['突破新高']}")
    requests.post(
        f"https://sctapi.ftqq.com/{sendkey}.send",
        data={"title": f"选股结果 {date.today()}", "desp": "\n".join(lines)}
    )
```

从此以后，你每天下午 3 点多收到一条微信推送，告诉你今天有哪些票符合你的标准。不用打开行情软件，不用翻涨幅榜，不用手动记 Excel。

## 为什么选 AlphaFeed 做这件事

你可能会想：这些代码用 akshare 或者 Tushare 也能写吧？

能写。但体验完全不同。

### 1. 全市场行情一行搞定

```python
# AlphaFeed
df = af.quotes.get(universes="CN_Stock", to_dataframe=True)

# akshare
df = ak.stock_zh_a_spot_em()  # 爬东方财富，偶尔挂

# Tushare
df = pro.daily(trade_date="20260824")  # 需要积分，只有收盘数据
```

AlphaFeed 的 `universes` 让你不用维护股票代码列表，也不用担心新股上市或退市遗漏。

### 2. 批量 K 线不用写循环

```python
# AlphaFeed
dfs = af.klines.batch(symbols_200, period="1d", count=30,
                       adjust="forward", to_dataframe=True)

# akshare / Tushare
for symbol in symbols_200:
    df = get_kline(symbol)  # 一个一个来
    time.sleep(0.5)          # 还得等
```

200 只票，AlphaFeed 几秒钟，循环+sleep 要两分钟。

### 3. 脚本长期跑不会莫名挂掉

akshare/efinance 底层是爬虫。东方财富改版了、加验证码了、换接口了，你的脚本就挂了。而且挂了不一定报错，可能只是返回空数据——你还以为今天没有符合条件的票。

AlphaFeed 是正式 API，SDK 内置自动重试。你的 crontab 任务可以安心跑一年。

## 进化路线图

```
阶段 1：Excel 手动选股
  → 痛点：慢、覆盖少、不可复盘
  → 升级方法：把选股标准写成 Python 代码

阶段 2：Python 脚本 + 手动运行
  → 痛点：每天要记得跑
  → 升级方法：加 crontab 定时任务

阶段 3：自动运行 + 结果推送
  → 痛点：策略单一
  → 升级方法：加更多标签维度，多策略并行

阶段 4：多策略 + 历史回测
  → 你已经是一个正经的量化选手了
```

你不需要一步到位。先把阶段 1 升级到阶段 2——就这篇文章里的 20 行代码——你的选股效率就会有质的飞跃。

## 开始动手

```bash
pip install alphafeed
```

注册一个 AlphaFeed 账号（免费版就够用），把你现在 Excel 里的选股条件翻译成代码，跑一遍。

你会发现：以前一小时做的事，现在 10 秒就做完了。而且比你做得更全、更客观、更可靠。

---
- Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


我不是要劝你"学编程"。我想告诉你的是：你已经在做量化了，只不过用的是最慢的工具。

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

人工智能

从Excel手动选股到Python自动化，一文详解散户进化路径。通过实际代码示例，教你将涨幅、成交额、均线等选股标准转化为Python脚本，实现全市场5000只股票10秒扫描，自动生成选股结果并推送至手机。涵盖数据获取、技术指标判断、定时任务设置全流程，解决手动选股覆盖率低、主观性强、不可回溯等痛点。

机器学习

代码解释

验证码

Python

Linux

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

从 Excel 手动选股到 Python 自动化：一个散户的进化路径-腾讯云开发者社区-腾讯云

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

从 Excel 手动选股到 Python 自动化：一个散户的进化路径

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐