Python构建投资实证数据工作流：股息率计算与持仓快照

案例背景：经济学教师投资实证DAY61。这一天的记录里有一个非常典型的场景：腾讯中报发布后，市场对成长股盈利预期的讨论明显升温，稳健派的持仓逻辑被重新审视；实际操作上，实证账户买入大唐发电（601991）和中国神华（601088）。这两个动作放在一起看，不是简单的“抄底”或“追涨”，而更像一次从成长中枢向高股息红利端的再平衡。这篇文章不打算复述消息面，而是把 DAY61 这个实证场景拆成一套可复用的技术工作流：用 Python 批量拉取财务和行情数据，计算股息率、PB、PE、ROE 等核心指标，把买入原因写入交易日志，最终生成持仓快照。拿到这套流程后，下一次再遇到中报冲击、行业政策变化或个股估值波动，都能按同一套步骤完成数据复盘，而不是手动贴一堆截图然后凭感觉解释。

这套流程适合这几种读者：一是正在做个人投资实证、想给每笔交易留下数据依据的人；二是持有腾讯、大唐、神华这类标的，想在中报季快速批量更新基本面数据的人；三是做稳健型持仓管理，希望把股息率、ROE、持仓集中度做成固定报表的人。硬性门槛不高，一台普通办公电脑就能跑，不需要显卡，也不需要 GPU 服务器。需要特别提醒的是：本文属于实证记录与数据处理方法分享，不构成任何投资建议，所有代码和参数仅供参考。

1. 核心能力速览

这套能力速览的关键信息是：它不是一个自动交易系统，而是一个让投资实证“可回看、可计算、可批量更新”的数据底座。DAY61 只是这套底座上的一个案例。

2. 适用场景与使用边界

这套流程定位很窄，但使用频率很高。它首先服务于“投资实证”这件事本身。经济学教师做到 DAY61，意味着前面已经跑了几十个交易日的连续记录，这种持续记录最怕两件事：第一是数据口径前后不一致，比如今天用不复权价格、明天用前复权价格，股息率就会算乱；第二是操作原因记不清，时间一长就分不清楚当时到底是基于估值还是基于情绪。用数据库和脚本能同时解决这两个问题。

腾讯中报落地后，持仓者真正关心的不是新闻标题，而是三个可计算的问题：自己的持仓估值中枢变了多少、组合里高股息资产的占比够不够、卖出或买入操作是否在数据上站得住脚。本文提供的流程，就是把“腾讯中报 → 预期变化 → 调仓买入大唐和神华”这个链条，转成可查询、可回看的结构化记录。买大唐和神华的时候，至少要在表里写清楚：买的是高股息、低估值的防御属性，还是补仓能源电力板块的仓位。

使用边界也要说清楚。这套流程不适合短线高频交易，因为 AKShare 这类公开财经数据接口的延迟和限频，支撑不了盘中秒级决策；更不适合自动化下单。本文所有代码都不对接券商交易接口，也不会把分析结果直接转成交易指令。还有一个容易被忽略的合规边界：从数据源获取行情和财报数据后，如果要发布到博客、社区或公众号，应当遵循数据源的版权要求，不能把原始数据打包二次分发。交易记录属于个人敏感信息，数据库文件不要公开提交到 GitHub。如果账户涉及他人资金或委托关系，更需要明确授权，并遵守当地证券法规。

3. 环境准备与前置条件

本地环境需要准备的东西不多，核心是 Python、数据科学库和网络。

网络方面，只要能访问常用的财经数据接口即可。磁盘占用很小，整个项目加上数据文件通常不超过 200MB。这个项目没有固定的 Web 服务端口，如果以后接可视化面板，再考虑 8000 或 8501 这类端口。

需要提前说明一点：AKShare 的接口名称和返回字段会随上游页面调整，安装时建议锁定版本，并定期查看官方更新。本文代码是流程模板，不是永久有效的接口字典，运行时报错优先检查接口名。

4. 安装部署与启动方式

下面给出一套完整的本地安装流程。先创建项目目录和虚拟环境，再安装依赖。

mkdir invest-tracker cd invest-tracker python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate pip install akshare pandas sqlalchemy schedule python-dotenv

建议把环境版本写入 requirements.txt，方便后续重建。

pip freeze > requirements.txt

项目目录可以这样组织：

invest-tracker/ ├── data/ │ ├── 601088.csv │ ├── 601991.csv │ └── 00700.csv ├── scripts/ │ ├── fetch_kline.py │ ├── calc_indicators.py │ └── update_daily.py ├── portfolio.db ├── stock_list.csv └── .env

data/放行情数据，scripts/放脚本，portfolio.db是 SQLite 数据库，stock_list.csv放股票池基础信息。

如果不想每次都在命令行敲 Python，可以做双击启动。Windows 下写一个start.bat：

@echo off cd /d %~dp0 call venv\Scripts\activate.bat python scripts\update_daily.py pause

首次运行建议直接执行更新脚本，确认股票池里的三只标的能正常取数，再往后续逻辑扩展。

5. 功能测试与效果验证

这一章按功能拆开测。每个功能都给出操作步骤、预期结果和常见排查点。

5.1 拉取腾讯与A股标的核心行情数据

测试目的：确认 AKShare 能正常拿到大唐发电（601991）、中国神华（601088）的 A 股日线数据。腾讯是港股，代码是 00700，港股接口和 A 股接口通常不同，需要单独处理。

import akshare as ak # 示意代码：AKShare 接口版本更新较快，请以当前官方文档为准 # 大唐发电 df_600991 = ak.stock_zh_a_hist( symbol="601991", period="daily", start_date="20240101", end_date="20240901", adjust="qfq" ) print("大唐发电 rows:", len(df_600991)) print(df_600991.tail())

预期结果是输出最近若干个交易日的开盘价、收盘价、成交量等字段。如果这里报错，先检查接口名是否已更新，再检查网络是否正常。

港股腾讯类数据建议单独查 AKShare 的港股接口，不要在 A 股接口上硬套，否则会出现代码失效或数据错乱。

5.2 计算稳健持仓核心指标

测试目的：把行情价格和基本面字段组合起来，计算股息率、PB、PE、ROE。下面用一份 CSV 作为输入，字段需要提前准备好：代码、名称、当前价格、每股分红 DPS、每股净资产 BPS、每股收益 EPS。

import pandas as pd df = pd.read_csv("stock_list.csv") df["股息率"] = df["每股分红DPS"] / df["当前价格"] * 100 df["PB"] = df["当前价格"] / df["每股净资产BPS"] df["PE"] = df["当前价格"] / df["每股收益EPS"] df["ROE"] = df["每股收益EPS"] / df["每股净资产BPS"] * 100 result = df.sort_values("股息率", ascending=False) print(result.to_string(index=False))

操作时需要注意字段对齐：腾讯的“每股分红DPS”要按港币或人民币口径统一；大唐和神华是 A 股，使用人民币口径。不同市场放在同一张表里比较时，务必先统一币种。

预期结果是一张包含股息率、PB、PE、ROE 的排序表。判断成功与否的标准是：大唐和神华这类高股息标的的股息率排名明显靠前，腾讯则体现出高 ROE、相对低股息率的特征。

5.3 买入日志与持仓快照

测试目的：把 DAY61 的买入操作写入数据库，并生成持仓快照。这个功能是整个实证流程的地基。

import sqlite3 from datetime import date conn = sqlite3.connect("portfolio.db") conn.execute(""" CREATE TABLE IF NOT EXISTS trades ( id INTEGER PRIMARY KEY AUTOINCREMENT, trade_date TEXT NOT NULL, symbol TEXT NOT NULL, name TEXT, side TEXT, price REAL, shares REAL, reason TEXT ) """) conn.execute( "INSERT INTO trades (trade_date, symbol, name, side, price, shares, reason) VALUES (?,?,?,?,?,?,?)", ( "2024-08-15", "601991", "大唐发电", "BUY", 3.50, 10000, "DAY61：中报后高股息逻辑验证，降低组合波动", ) ) conn.commit() for row in conn.execute("SELECT trade_date, symbol, name, side, price, shares FROM trades"): print(row)

需要说明的是，上面的价格和股数是示意值。实际运行时应替换成真实成交数据，同时保留买入理由。预期结果是交易记录插入成功，之后可以通过统计函数计算市值占比和持仓集中度。

5.4 中报冲击后的复盘维度

腾讯中报对稳健派持仓逻辑的冲击，常见影响集中在三个维度。

第一，盈利预期变化。将中报披露的净利润同比增速与财报发布前的一致预期增速对比，如果实际增速低于预期，意味着基于未来 EPS 的估值中枢要下调，这时 PE 的参考价值会改变。

第二，股东回报变化。腾讯这类互联网公司现金分红和回购政策对股息率有直接影响。中报如果提高分红或扩大回购，静态股息率会上升；如果资本开支加大、分红收缩，股息率会下降。稳健派持仓关注的是“自由现金流能不能支撑分红”。

第三，组合再平衡。DAY61 买入大唐和神华，一个典型动机是用高股息资产的稳定现金流，对冲成长股盈利波动。验证这一步的数据方法，是把组合中成长股和红利股的权重变化记录下来，并定期对比组合整体的股息率和最大回撤。

针对大唐和神华，复盘时需要关注的数据维度不完全一样。大唐发电这类电力公司的核心跟踪指标是上网电量、电价和燃料成本，这些会直接传导到净利润和股息支付能力；中国神华这种煤电一体化公司，要重点看长协煤比例、分红承诺和 ROE 稳定性。财务数据落地后，当前面的calc_indicators.py重新跑一遍，如果高股息标的的股息率依然稳定，买入逻辑就得到一次数据验证。

5.5 判断买入逻辑是否成立的通用标准

建议用三个标准衡量一次买入是否与实证逻辑一致：

• 股息率是否高于组合现有持仓的中位数，且分红来源具备可持续性。
• 买入后组合的行业集中度是否明显上升，如果超过预设阈值，需要限制仓位。
• 交易日志里是否写清楚了触发条件，例如“中报净利润增速低于预期”“股息率超过 4%”这类可验证条件，而不是“感觉会涨”。

如果三条都符合，这笔操作就是流程化决策；如果一条都不符合，那就说明这次买入更接近情绪驱动，需要单独标记，避免后续复盘时误认为是策略结果。

6. 接口 API 与批量任务

AKShare 本质上是通过 HTTP 接口抓取公开财经数据。对个人实证项目来说，没必要封装成服务，直接写脚本循环调用即可。需要注意限频，批量任务加一点随机等待，避免请求过密。

下面给出一个批量更新股票池的模板：

import schedule import time import akshare as ak import pandas as pd WATCH_LIST = ["601088", "601991", "00700"] def update_daily(): for symbol in WATCH_LIST: try: # 示意代码：实际接口需要按AKShare版本调整 df = ak.stock_zh_a_hist( symbol=symbol, period="daily", start_date="20240101", end_date="20241231", adjust="qfq" ) df.to_csv(f"data/{symbol}.csv", index=False) print(f"{symbol} updated, rows={len(df)}") except Exception as exc: print(f"{symbol} error: {exc}") schedule.every().day.at("09:30").do(update_daily) while True: schedule.run_pending() time.sleep(60)

这个脚本有一个明显隐患：港股 00700 不能直接放在 A 股接口里循环。实际使用时，要把港股标的单独走港股接口，或者至少增加一个交易所字段，在循环里判断市场再选接口。

批量任务的工程化建议：

• 更新任务必须写日志，记录每次更新的起止时间、成功数量、失败标的。
• 对失败标的做重试，最多重试两次。
• 把股票池和运行配置分开，不要每次改代码。
• 如果数据源返回字段变化，先停止任务，更新字段映射后再继续。

如果后续要做成 Web API 服务，可以留一个最小接口入口，用 Flask 暴露本地服务：

from flask import Flask, jsonify import pandas as pd app = Flask(__name__) @app.route("/api/indicators") def indicators(): df = pd.read_csv("stock_list.csv") return jsonify(df.to_dict(orient="records")) if __name__ == "__main__": app.run(host="127.0.0.1", port=8000)

这里只返回本地计算结果，不接收外部下单指令，安全边界更清晰。

7. 资源占用与性能观察

这个项目不涉及 GPU，所以不存在显存占用问题。资源占用主要体现在三个方面：CPU、网络、磁盘 IO。

单次拉取日线行情，AKShare 接口耗时通常在几百毫秒到几秒之间。批量更新 3 到 50 只股票，如果每只都重新请求，整体耗时会在几分钟以内。CPU 占用率很低，pandas 计算几百行数据基本不构成压力。比较值得关注的是网络请求频率，公开财经接口通常有限频，短时间大量请求容易触发限制或被封。

如果要降低请求压力，可以只在每周实证更新时拉全量数据，平时只增量拉最近几天。增量更新可以减少约九成请求量。磁盘方面，SQLite 数据库加 CSV 文件在几十 MB 以下，部署在轻量服务器上完全没问题。

观察资源占用的方法是在任务运行期间打开系统任务管理器，重点看 Python 进程的 CPU 和内存波动。如果发现内存持续上涨，优先怀疑数据在循环里反复拼接没有释放，建议把每轮处理后的 DataFrame 及时写盘。

8. 常见问题与排查方法

这类问题最常出现在前几次运行。建议每加一个功能，先跑通单只股票，再扩展到全部股票池。

9. 最佳实践与使用建议

第一，先小参数测试。第一次运行先只拉一个星期数据，只算一只股票，确认字段对齐后再上全量数据。投资实证记录的最大敌人是脏数据，不是代码复杂。

第二，保留一套最小可运行配置。把stock_list.csv、数据库建表语句、指标计算脚本固定下来，每次更新只改数据文件，不轻易改计算逻辑。

第三，交易日志要覆盖操作原因。买大唐和神华时，原因写得越具体越好，例如“中报后组合股息率低于 3.5%，卖出部分高波动成长股，买入高股息标的做再平衡”。这种原因在三个月后回看仍然有意义。

第四，批量任务必须加日志和失败重试。哪怕只是个人项目，也要把每次运行结果留档，否则定时任务半夜失败，第二天早上只能看到一堆旧数据。

第五，接口服务要限制访问范围。如果开了 Flask 接口，绑定127.0.0.1即可，不要默认开放到0.0.0.0。数据库文件也不要放在公开目录。

第六，涉及人脸、声音、版权素材的合规提醒在这里不适用，但涉及持仓数据、账户信息和第三方数据源版权时，约束反而是最紧的。不要把原始行情数据打包发布，不要暴露个人交易明细，不要在未授权情况下代客操作。

第七，发布或商用前要做效果复核。如果这篇实证内容要对外发布，所有计算数字都要重新跑一遍，重点检查 A 股和港股市场代码、分红币种、复权方式是否一致。

10. 总结与下一步

DAY61 的实证记录里，真正值得复制的东西不是“买入大唐和神华”这个结论，而是把“腾讯中报 → 稳健持仓受影响 → 买入高股息资产”这个决策过程变成可计算的数据。先用 AKShare 批量拉行情和财务数据，再用 pandas 计算股息率、PB、PE、ROE，最后把买入原因写进 SQLite，这一整套流程在任何一次调仓中都能复用。

如果你准备照这个方向做，建议先验证三件事：第一，AKShare 当前版本的接口是否能正常返回腾讯、大唐、神华的数据；第二，本地calc_indicators.py能不能算出一张字段完整的指标表；第三，交易日志和持仓快照是否能稳定写入 SQLite。这三步通过后，就可以把 DAY61 这种实证日复盘做成每周固定任务了。

最容易踩的坑集中在接口版本和字段对齐。AKShare 接口不是一成不变的，遇到报错优先看官方更新；腾讯是港股，不要强行塞进 A 股接口里。财务字段要统一币种和复权口径，否则股息率算出来虚高或虚低，复盘结论就会出现偏差。

后续的扩展方向可以考虑：接入一致预期数据做业绩对比，增加收益率回测模块，或者用 Grafana 做持仓可视化面板。但核心依然是先保住数据的准确性和可追溯性。下一笔买入之前，先让自己的数据库能回答一个问题：这笔交易的理由，是数据证明过的，还是情绪驱动的。本文全部内容均为投资实证记录与数据处理方法分享，不构成投资建议。