Python 量化选股：TradingView-Screener 核心功能与实战案例

场景二：技术指标多因子筛选

如何构建基于多技术指标的选股策略？传统方式需要手动计算各指标值，而本工具可直接调用 TradingView 的内置指标计算结果。

1. 构建技术指标筛选条件

technical_query = (
    Query()
    .select('name', 'close', 'RSI', 'MACD.macd', 'MACD.signal', 'volume')
    .where(
        Column('RSI') < 30,
        Column('MACD.macd').crosses_above(Column('MACD.signal')),
        Column('volume') > Column('average_volume_10d') * 1.5
    )
    .set_markets('america', 'europe')
    .limit(50)
)

2. 执行查询并处理结果

total_count, technical_results = technical_query.get_scanner_data()
print(f"符合技术条件的股票：{total_count}")

适用场景：中短线技术面策略开发。局限性：技术指标存在滞后性，需结合基本面分析使用。

场景三：自定义多维度筛选引擎

如何实现复杂逻辑的筛选条件？工具提供了 And/Or 逻辑组合功能，可构建任意复杂度的筛选规则。

1. 导入逻辑操作符

from tradingview_screener.query import And, Or 

2. 构建复杂筛选条件

advanced_query = (
    Query()
    .select('name', 'close', 'market_cap_basic', 'pe_ratio', 'dividend_yield')
    .where2(
        And(
            Column('market_cap_basic') > 5000000000,
            Or(
                Column('pe_ratio') < 15,
                Column('dividend_yield') > 3
            ),
            Column('close').between_pct(Column('52_week_low'), 10)
        )
    )
    .order_by('dividend_yield', ascending=False)
)

适用场景：价值投资多因子选股。局限性：筛选条件过严可能导致结果集为空，需合理设置参数范围。

场景四：实时多市场监控系统

如何同时监控多个市场的特定标的？工具支持跨市场、多标的实时数据获取。

1. 配置多市场监控

monitor_query = (
    Query()
    .select('close', 'change', 'volume', 'market')
    .set_markets('america', 'crypto', 'forex')
    .set_tickers(
        'NASDAQ:AAPL', 'NASDAQ:MSFT',
        'BINANCE:BTCUSDT', 'BINANCE:ETHUSDT',
        'FX:EURUSD', 'FX:USDJPY'
    )
)

2. 定时获取实时数据

import time
while True:
    total, data = monitor_query.get_scanner_data()
    print(data.pivot(index='ticker', columns='market', values='change'))
    time.sleep(60)

适用场景：跨资产类别投资组合监控。局限性：高频调用可能触发 API 限制，需控制请求频率。

进阶策略开发

分页查询优化

当筛选结果过大时，如何高效处理数据？分页查询可显著提升系统性能。

def batch_process(query, page_size=100):
    offset = 0
    while True:
        current_query = query.copy().offset(offset).limit(page_size)
        total, data = current_query.get_scanner_data()
        if not data.empty:
            yield data
            offset += page_size
            if offset >= total:
                break
        else:
            break

for batch in batch_process(technical_query, page_size=200):
    analyze_batch(batch)

适用场景：全市场扫描与大数据分析。优势在于降低内存占用，支持增量处理。

数据持久化方案

如何将筛选结果保存以便后续分析？工具支持与 Pandas 无缝集成，可直接导出多种格式。

results_df.to_csv('stock_screener_results.csv', index=False)
results_df.to_excel('stock_screener_results.xlsx', index=False)
results_df.to_parquet('stock_screener_results.parquet')

数据持久化适用场景：历史数据回溯测试、策略绩效分析。建议结合定时任务实现数据自动更新。

生态拓展与集成

TradingView-Screener 可与多种数据分析工具无缝集成，构建完整的量化分析流程：

1. 数据可视化：结合 Matplotlib/Plotly 绘制技术指标图表

import matplotlib.pyplot as plt
plt.hist(technical_results['RSI'], bins=20)
plt.title('RSI Distribution of Screened Stocks')
plt.xlabel('RSI Value')
plt.ylabel('Count')
plt.show()

2. 策略回测：导出数据至 Backtrader 等回测框架

# 伪代码示例
from backtrader import Cerebro
cerebro = Cerebro()
data = PandasData(dataname=results_df)
cerebro.adddata(data)
cerebro.run()

3. 实时告警：结合消息通知服务实现异常情况告警

# 伪代码示例
if any(results['change'] > 10):
    send_alert(f"异常波动：{results[results['change']>10]['ticker'].tolist()}")

工具选型对比表

通过以上对比可以看出，TradingView-Screener 在保持开源免费的同时，提供了接近专业量化平台的功能，特别适合 Python 开发者和量化爱好者使用。其平衡了易用性和功能性，既避免了传统 Excel 筛选的功能局限，又无需承担专业平台的高昂成本。

无论是个人投资者构建自动化选股系统，还是专业团队开发复杂量化策略，TradingView-Screener 都能提供坚实的数据获取与筛选基础，帮助用户在瞬息万变的市场中快速捕捉投资机会。