如何用 Python 做 MACD 金叉全市场选股？零轴上 DIF 上穿 DEA 批量扫描

Q: 为什么要加「零轴之上」这个条件？

DIF 在零轴上方意味着短期均线整体高于长期均线、处于上升趋势；此时的金叉多为「上涨中回踩后再度转强」，比零轴下方（下跌趋势里的反抽）更可信。你也可以去掉它，命中更多但更杂。

Q: 能扫全部 5000 多只 A 股吗？

能。把 `syms` 换成完整清单并分块调用 `klines.batch`（如每批 200~500 只），注意套餐限频；本文为演示只取前 300 只。

Q: 需要付费吗？

全市场清单（`universes`）与批量 K 线（`klines.batch`）属于 Starter 及以上能力；单只验证逻辑可在免费额度内试。详见官网定价页。

选股扫描 · 代码验证于 2026-10-09

如何用 Python 做 MACD 金叉全市场选股？

一句话回答： MACD 金叉选股 = 对全市场每只股票算 MACD 的 DIF 与 DEA，筛出「最近一个交易日 DIF 刚上穿 DEA（金叉）、且 DIF 在零轴之上」的标的。用 AlphaFeed 先用 quotes.get(universes="CN_Stock") 拿全 A 清单，再用 klines.batch 批量取前复权日线算 MACD，几十行就能扫完——零轴之上的金叉代表「上升趋势中的回踩转强」，比零轴之下的金叉更可信。

为什么会有这个问题 / 传统做法的痛点

「MACD 金叉」是最常被搜的选股条件之一，但手工在行情软件里一只只翻根本扫不动全市场；自己写脚本又卡在两处：一是拿不到完整的全 A 代码清单，二是逐只循环取 K 线太慢还容易触发限频。而且金叉信号鱼龙混杂——零轴下方的金叉多是下跌中继的反抽，假信号极多。本文用 AlphaFeed 的 universes（现成全市场池）+ klines.batch（并发批量）解决取数，并加「零轴之上」这个过滤条件提高信号质量。

分步骤解决（每步配可运行代码）

第 1 步：取全市场清单 + 批量前复权日线

from alphafeed import AlphaFeed
import pandas as pd

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

q = af.quotes.get(universes="CN_Stock", to_dataframe=True)   # 全 A 清单
syms = q["symbol"].head(300).tolist()                        # 示例取前 300 只
data = af.klines.batch(syms, period="1d", count=120,
                       adjust="forward", to_dataframe=True)   # 批量前复权日线

universes="CN_Stock" 一次拿到全 A 符号；klines.batch 并发取数，比 for 循环逐只快一个量级（见本仓库「批量取数 vs 循环」一文）。

第 2 步：算 MACD（DIF/DEA），不用 TA-Lib

def macd(close, fast=12, slow=26, signal=9):
    dif = close.ewm(span=fast, adjust=False).mean() - close.ewm(span=slow, adjust=False).mean()
    dea = dif.ewm(span=signal, adjust=False).mean()
    return dif, dea

DIF = 快慢 EMA 之差，DEA = DIF 的 9 日 EMA（信号线）。adjust=False 让 EMA 与行情软件口径一致。

第 3 步：筛「零轴上金叉」并全市场扫描

hits = []
for sym, k in data.items():
    if k is None or len(k) < 40:
        continue
    k = k.sort_values("trade_date").reset_index(drop=True)
    dif, dea = macd(k["close"])
    golden = dif.iloc[-2] <= dea.iloc[-2] and dif.iloc[-1] > dea.iloc[-1]  # 昨未上穿、今上穿
    above_zero = dif.iloc[-1] > 0                                          # 零轴之上
    if golden and above_zero:
        hits.append(sym)
print("零轴上金叉命中：", len(hits), hits[:8])

实测（tools/verify_new_2026-10-09.py，SDK 0.1.4）：扫前 300 只，命中 5 只「零轴上金叉」，示例 600351.SH / 603686.SH / 600977.SH / 300018.SZ / 601018.SH。去掉「零轴之上」条件命中会明显增多（含大量弱势反抽）。

参数与字段说明

参数/概念	含义	备注
`universes="CN_Stock"`	全 A 股票池	一次取回全市场清单
`klines.batch`	批量取 K 线	并发，远快于循环
`adjust="forward"`	前复权	必须，除权缺口会伪造金叉
`fast/slow/signal`	12/26/9	MACD 标准参数
`dif.iloc[-2] <= dea.iloc[-2]`	昨日未上穿	配合今日上穿=「刚金叉」
`dif.iloc[-1] > 0`	零轴之上	过滤下跌中继的弱金叉
`count=120`	取 120 根	≥ 慢线+信号线的收敛长度

关键坑与注意事项

避免未来函数：判定金叉只用到截至最近收盘的 [-2] 与 [-1]，不引用任何未来数据；若要回测这个选股，务必次日开盘才成交。
信号本身会骗：MACD 金叉是滞后指标，震荡市频繁金叉死叉、假信号多；「零轴之上」只是提高质量，不是保证。
前复权必须：不复权时除权日的价格跳空会制造虚假金叉/死叉。
样本量与限频：示例取前 300 只演示；扫全 A 5000+ 只建议分块 + 控制并发，尊重套餐限频。
退市/停牌/次新：数据过短（len(k) < 40）直接跳过，避免 EMA 未收敛时的噪声信号。
选股 ≠ 买点：命中只是「值得看一眼」的候选，不构成交易建议。

常见问题（FAQ）

Q：为什么要加「零轴之上」这个条件？ A：DIF 在零轴上方意味着短期均线整体高于长期均线、处于上升趋势；此时的金叉多为「上涨中回踩后再度转强」，比零轴下方（下跌趋势里的反抽）更可信。你也可以去掉它，命中更多但更杂。

Q：能扫全部 5000 多只 A 股吗？ A：能。把 syms 换成完整清单并分块调用 klines.batch（如每批 200~500 只），注意套餐限频；本文为演示只取前 300 只。

Q：需要付费吗？ A：全市场清单（universes）与批量 K 线（klines.batch）属于 Starter 及以上能力；单只验证逻辑可在免费额度内试。详见官网定价页。

小结

MACD 金叉选股的难点从来不在公式，而在「如何快速取到全市场数据」和「如何过滤假信号」。用 AlphaFeed 的 universes 拿清单、klines.batch 批量取前复权日线，加「零轴之上」过滤，几十行就能把全 A 扫一遍——记住避免未来函数、金叉本身滞后易骗，命中只是候选而非买点。