同花顺微盘股指数如何筛选成分股？

Question

同花顺微盘股指数如何筛选成分股？其核心筛选标准包括：剔除ST/*ST股票、上市满一年、非北交所股票，并按总市值从低到高排序，选取排名靠后的一定数量小市值公司作为成分股。但具体选样规则（如是否动态调整、流动性门槛、行业分布限制等）并未公开披露，导致投资者难以精确复现。常见技术问题为：在使用同花顺数据接口或公式编辑器时，为何无法通过“市值+非ST+上市年限”等条件完全匹配实际成分股？是否还隐含成交额、换手率或财务指标等隐藏筛选条件？

Answer 1

1. 同花顺微盘股指数成分股筛选机制初探

同花顺微盘股指数旨在反映A股市场中市值最小的一批上市公司的整体走势。其公开披露的核心筛选标准包括：剔除ST/*ST股票、上市满一年、非北交所股票，并在剩余股票中按总市值从低到高排序，选取排名靠后的一定数量公司作为成分股。

然而，该指数并未对外公布完整的选样规则细节，如调样频率、流动性门槛、行业分布控制等关键参数，导致投资者在尝试复现时面临显著偏差。

2. 常见技术问题解析：为何无法完全匹配实际成分股？

• 数据源差异：同花顺使用内部清洗后的高质量行情与财务数据，而第三方接口可能未对退市、暂停交易等情况做同步处理。
• 时间窗口不一致：例如“上市满一年”是否以自然日计算？是否考虑停牌天数？这些细节影响样本池范围。
• 市值计算方式不同：是采用当日收盘市值，还是过去一段时间的平均市值？是否存在自由流通市值加权预筛选？
• 动态调整机制未知：调样周期（月度/季度）、缓冲区规则（如防止频繁进出）均未公开。

3. 隐含筛选条件的可能性分析

潜在隐藏条件	支持证据	技术影响
最低成交额门槛	部分极低流动性股票未入选	需加入日均成交额过滤
换手率下限	长期无交易个股被排除	公式中应加入ATR或换手平滑值
财务健康度	连续亏损但未ST的公司较少出现	可能隐含净利润或营收正向约束
价格有效性	股价长期低于1元者缺失	存在面值退市风险规避逻辑
行业均衡性	单一行业占比有限制迹象	需行业分层抽样模拟
权重上限控制	单一个股权重普遍较低	暗示有cap-weight capping机制
交易状态稳定性	频繁停牌股未纳入	需统计停牌天数并过滤
股东人数门槛	疑似参考散户参与度	可结合L1/L2数据增强判断
信息透明度	年报延迟披露公司被排除	需整合公告及时性指标
市值波动异常检测	短期暴涨股未立即进入	可能存在波动率滤波机制

4. 技术实现路径与代码示例

# 模拟同花顺微盘股筛选逻辑（基于Tushare Pro + 自定义因子）
import tushare as ts
import pandas as pd
from datetime import datetime, timedelta

def filter_micro_cap_stocks():
    # 初始化数据接口
    pro = ts.pro_api('YOUR_TOKEN')
    
    # 获取当前全部A股列表
    stock_list = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')
    
    # 过滤条件
    today = datetime.now()
    one_year_ago = (today - timedelta(days=365)).strftime('%Y%m%d')
    
    # 1. 上市满一年
    df = stock_list[stock_list['list_date'] <= one_year_ago]
    
    # 2. 剔除ST/*ST
    df = df[~df['name'].str.contains('ST')]
    
    # 3. 排除北交所（以ts_code结尾为.BJ）
    df = df[~df['ts_code'].str.endswith('.BJ')]
    
    # 4. 获取最新市值与成交数据
    daily_basic = pro.daily_basic(trade_date=today.strftime('%Y%m%d').replace('-',''), 
                                  fields='ts_code,total_mv,circ_mv,turnover_rate,pe,pb')
    
    df = pd.merge(df, daily_basic, on='ts_code')
    
    # 5. 加入流动性过滤（假设日均成交额过去20日>500万元）
    money_flow = pro.moneyflow_hsgt(trade_date=today.strftime('%Y%m%d').replace('-',''))
    # 此处可扩展为多日均值
    
    # 6. 按总市值升序排列，取后500名
    df.sort_values(by='total_mv', ascending=True, inplace=True)
    candidate_pool = df.head(500)  # 微盘股候选
    
    return candidate_pool[['ts_code', 'name', 'industry', 'list_date', 'total_mv']]
    

5. 复现难点与系统级优化建议

在实际系统开发中，若要逼近同花顺微盘股指数的表现，需构建多维度校准框架：

1. 建立高频数据回放引擎，验证历史调样节点的出入名单。
2. 引入影子比对模块，定期与公开成分股快照进行Jaccard相似度评估。
3. 设计自适应流动性阈值，根据市场整体量能动态调整筛选边界。
4. 集成财务异常检测模型，识别虽未ST但存在持续亏损、资不抵债等情况的企业。
5. 采用行业暴露控制系统，避免因市值排序导致某些板块过度集中。
6. 实现缓冲区机制（Buffer Zone），仿效主流指数做法，设置进出阈值减少 churn。

6. 数据流架构设计图（Mermaid）

graph TD
            A[原始股票池] --> B{是否ST/*ST?}
            B -- 是 --> C[剔除]
            B -- 否 --> D{上市≥1年?}
            D -- 否 --> C
            D -- 是 --> E{是否北交所?}
            E -- 是 --> C
            E -- 否 --> F[获取最新市值]
            F --> G[计算近20日日均成交额]
            G --> H{成交额>500万?}
            H -- 否 --> C
            H -- 是 --> I[按总市值升序排序]
            I --> J[选取后N名]
            J --> K[应用行业分布调节]
            K --> L[生成最终成分股列表]
            L --> M[存储至数据库]
            M --> N[供策略回测/实盘引用]