【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;DR2026 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 SDKQuantDash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(symbolsymbol) # 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( symbolsymbol, marketCN, adjustforward, start_date2026-07-01, end_date2026-07-23 ) 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(byscore, ascendingFalse) 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(indexFalse))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 यूनिवर्सUniverses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]。