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](https://alphafeed.org/pricing)。

如何用 Python 做股价历史分位选股？（筛出处于历史低位的股票）

选股扫描 · 代码验证于 2026-09-19

如何用 Python 做股价历史分位选股？（筛出处于历史低位的股票）

一句话回答： 股价历史分位就是”当前价格在过去 N 日价格区间里排第几（百分位）“。用 AlphaFeed 取全市场标的池 + klines.batch 批量日线，算每只票当前收盘价在近 N 日的百分位，筛出**低分位（如 ≤20%）**的股票，几十行就能扫出全市场处于历史低位的候选——但”低位”不等于”便宜”。

为什么会有这个问题 / 传统做法的痛点

“这只票是不是在历史低位”是很常见的问题，做成全市场选股要解决：

全市场取数：先有全市场清单再批量取日线；
分位口径：用”当前价 ≤ 窗口内价格的比例”衡量位置，比单看涨跌幅更直观；
回看窗口：近 60 日、250 日（约一年）分位含义完全不同；
复权：不用前复权，除权跳空会让历史价格错位。

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：定义价格分位

def price_percentile(close, n=250):
    window = close.iloc[-n:]
    cur = close.iloc[-1]
    return float((window <= cur).mean() * 100)   # 当前价 ≤ 窗口内价格的比例(%)

分位选股参数：

参数	含义	常用取值
`n`	回看天数	250（约一年）、120、500
分位值	0~100，越小越低	≤20 视为历史低位
高位阈值	接近前高	≥80 视为历史高位
复权	用前复权收盘	`adjust="forward"`

第 2 步：批量计算并筛低位

from alphafeed import AlphaFeed
import pandas as pd

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

def percentile_screen(symbols, count=250, n=250, thr=20.0):
    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) < 60:
            continue
        d = df.sort_values("trade_date").reset_index(drop=True)
        p = price_percentile(d["close"], min(n, len(d)))
        rows.append({"symbol": sym, "pct": round(p, 1), "low_zone": p <= thr})
    res = pd.DataFrame(rows).sort_values("pct")     # 升序=最低位在前
    return res[res["low_zone"]] if not res.empty else res

第 3 步：全市场分批跑

def run_full_market(n=250, thr=20.0):
    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(percentile_screen(symbols[i:i + 150], n=n, thr=thr))
    return pd.concat([d for d in out if not d.empty], ignore_index=True).sort_values("pct")

# hits = run_full_market()
# print("历史低位只数:", len(hits)); print(hits.head(20))

小样本（10 只票）实测分位从约 0.4%（接近一年最低）到 95.6%（接近一年最高）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

低分位 ≠ 便宜/低估：分位只反映”价格在历史区间的相对位置”，不代表估值便宜。持续下跌的股票会长期停在低分位（越跌越低），可能是价值陷阱。
趋势下移问题：用价格分位而非估值分位时，基本面恶化的股票会不断创新低、分位始终很低，别把”跌不动”当”低估”。
回看窗口敏感：60 日 vs 250 日分位差别大。短窗口反映近期位置、长窗口反映年度位置，固定口径。
前复权：一律 adjust="forward"，否则除权跳空会让历史价格错位、分位失真。
配合基本面/趋势：低分位宜与基本面、趋势企稳信号结合，别单看位置抄底。

常见问题（FAQ）

Q：分位和”距离最高点跌了多少”有什么区别？ A：回撤幅度只看和最高点的距离，分位则看当前价在整个历史分布中的位置，更能反映”多少时间价格比现在高/低”，信息更丰富。

Q：为什么不用估值分位（如 PE 分位）？ A：估值分位需要基本面数据。本文用价格分位，只依赖行情，简单直观；若有 PE/PB 数据可做估值分位，逻辑相同。

Q：低分位股票能买吗？ A：不能只凭低分位买。它可能是超跌反弹机会，也可能是持续走弱的价值陷阱。需结合基本面、趋势和止损判断。

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

股价历史分位选股 = 全市场标的池 + 前复权日线 + 当前价在近 N 日的百分位 + 阈值筛选。门槛在取数与口径（回看窗口、复权），AlphaFeed 用 universe + klines.batch 收敛掉，你几十行就能扫出全市场历史低位股——但请记住低分位 ≠ 便宜，趋势走弱的股票会长期低位，务必配合基本面与止损。