如何用 Python 做低波动率选股？（全市场按年化波动率排名筛低波股）

原创

用户7083614

修改于 2026-10-01 13:32:00

610

一句话回答： 低波动率选股就是"按日收益的年化波动率给全市场排名、取波动最小的一批"。用 AlphaFeed 取全市场标的池 + klines.batch 批量日线，算每只票近 N 日收益率的年化标准差并升序排序，几十行就能筛出全市场低波动候选——这背后有个著名的"低波异象"。

为什么会有这个问题 / 传统做法的痛点

学术上有个反直觉的"低波异象（Low-Volatility Anomaly）"：长期看，低波动股票的风险调整后收益往往不输甚至优于高波动股票。要做低波选股需解决：

全市场取数：先有全市场清单再批量取日线；
波动率口径：用日收益率标准差年化（× √252），且要用前复权收益；
回看窗口：60 日、120 日、250 日结果不同，要固定口径。

AlphaFeed 用 universe + klines.batch 一次拿到全市场量价数据。

分步骤解决（每步配可运行代码）

第 1 步：定义年化波动率

import numpy as np

def annualized_vol(close, n=60):
    ret = close.pct_change().dropna().iloc[-n:]   # 近 n 日日收益
    return float(ret.std() * np.sqrt(252))         # 年化（按 252 交易日）

低波选股参数：

参数	含义	常用取值
`n`	回看天数	60（也用 120/250）
年化系数	日频→年化	√252
收益口径	用前复权收盘	`pct_change()`
取样	波动最小的比例	前 10%~20%

第 2 步：批量计算并排名

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

def low_vol_screen(symbols, count=120, n=60):
    bt = af.klines.batch(symbols, period="1d", count=count,
                         adjust="forward", to_dataframe=True)
    rows = []
    for sym, df in bt.items():
        if df is None or len(df) < n + 1:
            continue
        d = df.sort_values("trade_date").reset_index(drop=True)
        rows.append({"symbol": sym,
                     "ann_vol_%": round(annualized_vol(d["close"], n) * 100, 1)})
    return pd.DataFrame(rows).sort_values("ann_vol_%")   # 升序=低波在前

第 3 步：全市场分批跑

def run_full_market(n=60, top_ratio=0.1):
    q = af.quotes.get(universes="CN_Stock", to_dataframe=True)
    symbols = q["symbol"].tolist()
    out = []
    for i in range(0, len(symbols), 150):     # 分批防限频
        out.append(low_vol_screen(symbols[i:i + 150], n=n))
    allres = pd.concat(out, ignore_index=True).sort_values("ann_vol_%")
    k = int(len(allres) * top_ratio)
    return allres.head(k)                      # 取波动最小的前 10%

# low = run_full_market()
# print("低波候选数:", len(low)); print(low.head(20))

小样本（10 只票）实测年化波动率从约 17%（平安银行）到约 46%（高波动个股）不等，升序排名逻辑跑通；全市场同法按 150 只分批。

关键坑与注意事项

波动率不是风险全貌：低波动只衡量价格波动的稳定性，不代表没有下跌风险或基本面安全。低波股照样可能持续阴跌。
低波异象非稳定：低波异象是长期统计规律，某段时间（如牛市普涨）低波组合会明显跑输高波，别当短期赚钱公式。
回看窗口敏感：60 日 vs 250 日排名差别大，短窗口对近期行情敏感、长窗口更稳。固定口径，别来回换。
需配流动性过滤：极低波动可能是流动性差、长期停牌复牌的假象，务必先按成交额过滤。
前复权：一律 adjust="forward"，否则除权跳空会虚增波动率。

常见问题（FAQ）

Q：为什么用 √252 年化？

A：A 股一年约 252 个交易日，日波动率年化即乘 √252。若用周/月频，年化系数相应改为 √52、√12。

Q：低波动股票一定更安全吗？

A：不一定。波动率低只说明历史价格摆动小，不等于基本面稳健或不会下跌。它是风险的一个维度，不是全部。

Q：能反过来做高波动选股吗？

A：可以，把排序改成降序即可。高波动常伴随高换手/题材炒作，风险也更高。

Q：需要付费吗？

A：少量标的的 K 线在免费额度内即可试；全市场 universe 取数需 Starter 及以上，详见 AlphaFeed 定价页。

小结

低波动率选股 = 全市场标的池 + 前复权日线 + 日收益年化波动率升序排名。门槛在取数与口径（年化、回看窗口、复权），AlphaFeed 用 universe + klines.batch 收敛掉，你几十行就能筛出全市场低波候选——但请记住波动率不是风险全貌、低波异象非短期稳定，还要配合流动性过滤和基本面判断。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

pandas