听完朋友的“天眼地量”选股理论后，热血沸腾，打算找一只股票试试。可以整个股票市场有3600+只股票怎么找呢？不急，我们有python3和tushare。先上代码

import time
import datetime
import tushare as ts
import numpy as np
import pandas as pd
import csv 
import pandas_datareader.data as web 
from sqlalchemy import create_engine 
import pymysql
import winsound

duration = 500  # millisecond
freq = 440  # Hz
path = 'C:/Users/Administrator/Desktop/stockpy/'
csv_file = path + 'StockList.csv'

ts.set_token('sfdsdfs')
pro = ts.pro_api()

def get_stock_list():
    data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')
    # data.to_csv(csv_file)

def get_daily_data():
    csv_data = pd.read_csv(csv_file, low_memory = False)#防止弹出警告
    list_df = pd.DataFrame(csv_data)
    row = list_df.shape[0] #
    today = datetime.datetime.today().date()
    # for i in range(3):
    for i in range(row):
        bar_df = ts.pro_bar(ts_code=str(list_df.iloc[i,1]), start_date='20180701', end_date=str(today),
                            ma=[5, 10, 20, 30, 60])
        print(list_df.iloc[i,1])
        tmp_df = bar_df.sort_values(axis = 0, ascending = True, by = 'trade_date')
        # print(tmp_df.head(3))
        tmp_df = tmp_df.reset_index(drop = True)
        # print(tmp_df.head(3))
        tmp_df.to_csv(path + 'bar_' + str(list_df.iloc[i,1]) + '.csv')
        winsound.Beep(freq, duration)

def run():
    get_stock_list()
    get_daily_data()
    winsound.Beep(880, 1000)

if __name__ == '__main__':
    run()


两个function，get_stock_list用来获取当天有效的股票列表信息，保存到csv文件。get_daily_data用来获取所有有效股票的日线数据。因为“天眼地量”理论要用到日线、均线和量能，所以选择了5日、10日、20日、30日和60日的均线数据和对应的量能。每次下载完一只股票后，就提示一声winsound.Beep(freq,duration)。因为tushare设定每分钟只能获取不超过200只股票的数据，我就是设定了提示音响的时间为500ms。经过实测，在半小时左右就可以获取完所有股票的数据了。

后面就是对每只股票进行分析筛选了，代码还没有想出来:(。

 

tushare ID: 419258

打新肯定是股市中赚钱最稳当，而且很多的了，所以新手跟着新股买基本上是稳赚，只是你基本上买不进去而已。

再一个就是买基本面很好，或者是趋势很好，但是突然一下跌了5个点以上这种的股票，这种一般第二天都会弹回来，我是经常用这种方法，感觉挺好用的。

# 找到某段时间内的上网发行的股票
def find_all_new_stock_during_date(start_date, end_date):
    df = pro.new_share(start_date=start_date, end_date=end_date)
    return df


# print(find_all_new_stock_during_date('20200327','20200410'))


# 找到某天之后上市的新股
def find_all_new_stock_on_market_after_the_date(date, industry):
    """

    :param date:
    :param industry:
    :return:
    """
    data = pro.query('stock_basic', fields='ts_code,symbol,name,area,industry,market,list_date')
    for i in range(len(data)):
        # 如果上市日期在date之前，就删去这一行
        if industry != '':
            if datetime.datetime.strptime(date, "%Y%m%d") > datetime.datetime.strptime(data['list_date'][i], "%Y%m%d") \
                    or industry != data['industry'][i]:
                data = data.drop(index=i)
        else:
            if datetime.datetime.strptime(date, "%Y%m%d") > datetime.datetime.strptime(data['list_date'][i], "%Y%m%d"):
                data = data.drop(index=i)
        # data['list_date'][i]=datetime.datetime.strptime(data['list_date'][i],"%Y%m%d")
    data.set_index('list_date', inplace=True)
    return data


# print(find_all_new_stock_on_market_after_the_date('20210322',''))

def get_last_on_market_date(date):
    date_ = datetime.datetime.strptime(date, "%Y%m%d")
    date = (date_ + datetime.timedelta(days=-1)).strftime("%Y%m%d")
    while pro.query('trade_cal', start_date=date, end_date=date)['is_open'][0] == 0:
        date_ += datetime.timedelta(days=-1)
        date = date_.strftime("%Y%m%d")
    return date


def get_ke_neng_ming_tian_zhang_stock_data_by_codes(codes, zhang_die_fu_limit, price_limit):
    """
    找到猛跌的股票
    :param codes: list
    :param zhang_die_fu_limit: 2 items tuple
    :param price_limit: 2 items tuple
    :return:'name', 'open':今日开盘价, 'pre_close'昨日收盘价, 'price'：当前价格, 'high'：今日最高价, 'low'：今日最低价,
    'bid'，竞买价，即“买一”报价, 'ask'，竞卖价，即“卖一”报价, 'volume'成交量 ，maybe you need do volumn/100, 'amount'，成交金额（元 CNY）,
    'b1_v'，委买一（笔数 bid volume）, 'b1_p', 'b2_v', 'b2_p', 'b3_v', 'b3_p', 'b4_v', 'b4_p', 'b5_v', 'b5_p',
    'a1_v'，委卖一（笔数 ask volume）, 'a1_p', 'a2_v', 'a2_p', 'a3_v', 'a3_p', 'a4_v', 'a4_p', 'a5_v', 'a5_p',
    'date'，日期, 'time'，时间, 'code'

    """
    today = datetime.datetime.now().strftime("%Y%m%d")
    out_list = [['code', 'price', '涨跌幅', '换手率', '量比', 'date', 'time']]
    df = pro.query('daily_basic',
                   ts_code='',
                   trade_date=get_last_on_market_date(today),
                   fields='ts_code,trade_date,turnover_rate,volume_ratio,pe,pb')
    df = df.where(df.notnull(), -1)
    for i in range(len(codes)):
        data = ts.get_realtime_quotes(codes[i])
        if float(data['pre_close']) != 0:
            dang_qian_zhang_die_fu = (float(data['price'][0]) - float(data['pre_close'][0])) / float(
                data['pre_close'][0]) * 100
        else:
            return None
        if zhang_die_fu_limit[0] < dang_qian_zhang_die_fu < zhang_die_fu_limit[1]:
            if float(data['price'][0]) < price_limit:
                turnover_rate = int([df['turnover_rate'][x] for x in range(len(df)) if
                                     df['ts_code'][x].split('.')[0] == data['code'][0]][0])
                if turnover_rate > 3:
                    volume_ratio = int([df['volume_ratio'][x] for x in range(len(df)) if
                                        df['ts_code'][x].split('.')[0] == data['code'][0]][0])
                    if volume_ratio > 1:
                        out_list.append([data['code'][0],
                                         float(data['price'][0]),
                                         dang_qian_zhang_die_fu,
                                         turnover_rate,
                                         volume_ratio,
                                         data['date'][0],
                                         data['time'][0]])
                    else:
                        continue
                else:
                    continue
            else:
                continue
        else:
            continue
    out_list = pd.DataFrame(out_list)

    return out_list

#!/user/bin/env python
import time
import datetime
import pandas as pd
import numpy as np
import tushare as ts
import warnings
warnings.filterwarnings('ignore')
ts.set_token("1184ddddddddddddddddddddddddddddddddddf79f1") #请自行填入自己的token
pro = ts.pro_api()
# ！！！这里需要自己填写：当天的日期
date_str = '20200120'
# 十年前的日期
start_date_str = '20100101'
# 获取所有A股股票当天的股票代码、交易日期、最新价格、股息率、PE、PB、总市值
df = pro.daily_basic(ts_code='', trade_date=date_str,
fields='ts_code,trade_date,close,dv_ratio,pe,pb,total_mv')
# 特殊处理：如果PE、PB、股息率是NAN值的话，删除该股票
# 筛选条件：
# 1、删除pb>1.5的股票
# 2、删除过去10年pb从来不高于1的股票
# 3、删除股息率为0的股票
# 4、排序：按照pe、pb、股息率越小得分越低去排序，总得分越低排序越靠前，负数的得分为非负数的个数+1
# 如果PE、PB、股息率是NAN值的话，删除该股票
afternan_df = df.dropna(axis=0, how='any',subset=['pe','pb','dv_ratio'])
afternan_df.reset_index(drop=True,inplace=True) # 重新写序号
# 删除pb>1.5的股票
afterpb_df = afternan_df[afternan_df.pb<=1.5]
afterpb_df.reset_index(drop=True,inplace=True) # 重新写序号
# 删除股息率为0的股票
afterpb_df[afterpb_df[['dv_ratio']]==0]=np.nan
afterdv_df = afterpb_df.dropna(axis=0, how='any',subset=['dv_ratio'])
afterdv_df.reset_index(drop=True,inplace=True) # 重新写序号
# 删除过去10年pb从来不高于1的股票(每个月的pb都取出来)
monthdate_df = pro.index_monthly(ts_code='000001.SH', start_date=start_date_str, end_date=date_str, fields='trade_date')
month_date_ls = monthdate_df.trade_date.tolist()
month_pb_10years_df = pd.DataFrame()
for month_date in month_date_ls:
# month_pb_df = pro.daily_basic(ts_code=afterdv_df.ts_code.tolist(), trade_date=month_date,
#                      fields='ts_code,trade_date,pb')
month_pb_df = pro.daily_basic(ts_code='', trade_date=month_date,
fields='ts_code,trade_date,pb')
month_pb_10years_df = pd.concat([month_pb_10years_df,month_pb_df],axis=0)
for stockcode in afterdv_df.ts_code.tolist():
stock_pb_df = month_pb_10years_df[month_pb_10years_df.ts_code==stockcode]
# 10年间最大的pb
max_pb = max(stock_pb_df.pb.tolist())
afterdv_df.loc[afterdv_df.ts_code==stockcode,'max_pb_10years'] = max_pb #记录过去10年间最大的pb
mystocks_df = afterdv_df[afterdv_df.max_pb_10years>=1] # 筛选出过去10年最大pb>=1的股票，至此，所有筛选条件已经完毕
mystocks_df.reset_index(drop=True,inplace=True) # 重新写序号
# 取股票股票名字、所属行业和审计机构数据
hy_df = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry')
mystocks_df = pd.merge(mystocks_df,hy_df,how='inner',on='ts_code')
for ind,stockcode in enumerate(mystocks_df.ts_code.tolist()):
# 股票最近一年的审计意见，取最新一次的审计机构为审计机构
# 因为接口限制，每分钟只能访问接口60次，所以每60次，休眠60s
if not (ind+1)%60: # 避免一开始浪费时间，+1
time.sleep(60)
audit_beg_date = datetime.datetime.strftime(
datetime.datetime.strptime(date_str,'%Y%m%d')-datetime.timedelta(365),'%Y%m%d')
stock_audit_df = pro.fina_audit(ts_code=stockcode, start_date=audit_beg_date, end_date=date_str)
mystocks_df.loc[mystocks_df.ts_code==stockcode,'audit_agency'] = stock_audit_df.loc[0,'audit_agency']
# 排序：按照pe、pb、股息率越小得分越低去排序，总得分越低排序越靠前，负数的得分为非负数的个数+1
# 先把为负数的记录为无穷大，即可解决
mystocks_df[mystocks_df['pe']<=0]=np.inf
mystocks_df[mystocks_df['pb']<=0]=np.inf
mystocks_df.loc[:,'pe_score'] = mystocks_df.pe.rank(ascending=True, method='min')
mystocks_df.loc[:,'pb_score'] = mystocks_df.pb.rank(ascending=True, method='min')
mystocks_df.loc[:,'dv_ratio_score'] = mystocks_df.dv_ratio.rank(ascending=False, method='min')
mystocks_df.loc[:,'score_sum'] = mystocks_df[['pe_score','pb_score','dv_ratio_score']].sum(axis=1)
# 按照总得分从低到高排序
mystocks_df.sort_values(['score_sum'],ascending=True,inplace=True)
mystocks_df.reset_index(drop=True,inplace=True) # 重新写序号
# 最后输出表stocks_score_df
# 表的列名为：股票代码、股票名字、目前股价、总市值、pe、pb、股息率、pe得分、pb得分、股息率得分、总得分、所属行业、审计机构
stocks_score_df = mystocks_df[['ts_code','name','close','total_mv','pe','pb','dv_ratio',
'pe_score','pb_score','dv_ratio_score','score_sum','industry','audit_agency']] #列稍微排个序
stocks_score_df.to_excel('stocks_score'+date_str+'.xlsx')
print("The End!")

	

量化投资比较重要的是策略，可是你得先选个好股，价值投资需要认同他的价值，值得投资的股票才有投资的机会，现在简单介绍一下基于基本面的选股，其实我现实生活中也有炒股，都是经验之说的选股原则。
首先从tushare中获取每日指标 pro.daily_basic
last_year = '20190101'
start_date = '20200313'
mytoken='your_token'
ts.set_token(mytoken)
pro = ts.pro_api()
df = pro.daily_basic(ts_code='', trade_date=start_date, fields='ts_code,trade_date,turnover_rate,volume_ratio,pe,pb')
P.S. 用户需要至少300积分才可以调取，我是学生进了官方群之后管理员帮我升级到了2000积分，所以大部分接口我都能使用。欢迎大家在我的链接下注册会送我积分：
https://tushare.pro/register?reg=355247
首先我们筛选PE为15以下的，PB为7一下的股票：
PE是每股股价除以每股收益。如果股价是10元/股，每股收益是1元，PE就相当于10倍，你买这家公司的价钱相当于付出这家公司每年盈利的倍数。一般30以下才觉得可以接受。
PB是每股股价除以每股净资产的倍数。如果股价是10元/股，净资产是5元/股，PB就是2倍，也相当于付出的是这个公司净资产的2倍。一般8以下可以接受，我这里调整成小一些，因为最近跌幅挺大的，所以很多公司跌破净资产。
PE_T = 15
PB_T = 1
df_choose = df[(df.pe<=PE_T)&(df.pb<=PB_T)]
符合条件的有198只股票，接着我们筛选一下近期公布的收益
收益可以通过pro.income接口查询：
income = []
for c in df_choose.ts_code:
    df_income = pro.income(ts_code=c,start_date=last_year,end_date=start_date,fields='ts_code,ann_date,f_ann_date,end_date,report_type,comp_type,basic_eps,diluted_eps')
    income.append(df_income['basic_eps'].iloc[0])
df_choose['basic_eps']=income
df_choose_good = df_choose[df_choose.basic_eps>1.0]
print(len(df_choose_good))
收益大于1.0的股票df_choose_good中含有23只股票
接着我想得出这些这些股票代码的股票名字，可以查询这个接口pro.stock_basic ，并且我存下该表格。
data_path = './data/'
if not os.path.exists(data_path):
    os.makedirs(data_path)
csv_name = f'allname_data.csv'
csv_path = os.path.join(data_path,csv_name)
data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')
data.to_csv(csv_path, index=False)
data[data.ts_code.isin(df_choose_good.ts_code)]
ts_code
symbol
name
area
industry
list_date
33
000042.SZ
000042
中洲控股
深圳
全国地产
19940921
97
000501.SZ
000501
鄂武商A
湖北
百货
19921120
480
002024.SZ
002024
苏宁易购
江苏
电器连锁
20040721
583
002128.SZ
002128
露天煤业
内蒙
煤炭开采
20070418
600
002146.SZ
002146
荣盛发展
河北
全国地产
20070808
2201
600000.SH
600000
浦发银行
上海
银行
19991110
2211
600016.SH
600016
民生银行
北京
银行
20001219
2247
600064.SH
600064
南京高科
江苏
园区开发
19970506
2356
600188.SH
600188
兖州煤业
山东
煤炭开采
19980701
2564
600449.SH
600449
宁夏建材
宁夏
水泥
20030829
2770
600694.SH
600694
大商股份
辽宁
百货
19931122
2773
600697.SH
600697
欧亚集团
吉林
百货
19931206
2919
600859.SH
600859
王府井
北京
百货
19940506
2964
600919.SH
600919
江苏银行
江苏
银行
20160802
2965
600926.SH
600926
杭州银行
浙江
银行
20161027
3034
601088.SH
601088
中国神华
北京
煤炭开采
20071009
3062
601186.SH
601186
中国铁建
北京
建筑工程
20080310
3076
601229.SH
601229
上海银行
上海
银行
20161116
3111
601577.SH
601577
长沙银行
湖南
银行
20180926
3134
601677.SH
601677
明泰铝业
河南
铝
20110919
3157
601828.SH
601828
美凯龙
上海
其他商业
20180117
3158
601838.SH
601838
成都银行
四川
银行
20180131
3201
601997.SH
601997
贵阳银行
贵州
银行
20160816
这个就是选出来的股，看来银行最近跌得挺厉害的，看好银行在后期反弹。
ts_code
symbol
name
area
industry
list_date
0
000001.SZ
1
平安银行
深圳
银行
19910403
140
000553.SZ
553
安道麦A
湖北
农药化肥
19931203
272
000732.SZ
732
泰禾集团
福建
区域地产
19970704
2201
600000.SH
600000
浦发银行
上海
银行
19991110
2210
600015.SH
600015
华夏银行
北京
银行
20030912
2356
600188.SH
600188
兖州煤业
山东
煤炭开采
19980701
2522
600383.SH
600383
金地集团
深圳
全国地产
20010412
2608
600508.SH
600508
上海能源
上海
煤炭开采
20010829
2770
600694.SH
600694
大商股份
辽宁
百货
19931122
2852
600782.SH
600782
新钢股份
江西
普钢
19961225
2919
600859.SH
600859
王府井
北京
百货
19940506
3016
601009.SH
601009
南京银行
江苏
银行
20070719
3057
601166.SH
601166
兴业银行
福建
银行
20070205
3076
601229.SH
601229
上海银行
上海
银行
20161116
3157
601828.SH
601828
美凯龙
上海
其他商业
20180117
3201
601997.SH
601997
贵阳银行
贵州
银行
20160816