企业官网建设流程全解析

医疗创新药“猛猛上涨”，科技板块开始震荡，市场风格是不是真的切到了“大低估时代”？这个问题我判断不了，也不打算判断。但有一件事可以用技术手段解决：把“低估”从口号变成可量化、可批量扫描的数据结果。

今天这篇文章不是荐股文，而是直接写给开发者和研究型投资者的工具文档。我们用 Python 拿到创新药板块的成分股列表，拉取行情、估值、财务和研发投入数据，做一个自动化筛选流程，批量计算每只股票的 PE、PB 历史分位，再结合研发费用和管线进度做二次过滤，最后输出一份结构化的低估候选清单。整个过程可以一键跑完，也能接入定时任务，让数据每天自动更新。

为了不让文章太散，我先把这套方案的关键信息列出来，你看完就知道值不值得跟着做完。

1. 核心能力速览

这套方案的核心思路不复杂：把过去需要手动打开行情软件逐个查 PE、PB、翻年报的工作，变成一段代码自动跑完。数据量不大时，普通笔记本几分钟就能完成全板块扫描。

2. 适用场景与使用边界

先说清楚这套工具适合谁。

如果你是做行业研究的分析师，需要每天跟踪创新药板块的估值变化，这个工具能帮你把重复劳动去掉。如果你在维护自己的投资组合，想定期看一下关注池里哪些标的处于历史低估区间，这个工具能给出客观数据。如果你是量化爱好者，想给现有的选股策略加一个“估值过滤条件”，这套流程可以直接嵌入你的策略代码。

它的优势在于三个点：

• 数据获取自动化，不用手动复制粘贴。
• 筛选逻辑可重复、可审计，PE、PB、研发费用这些因子全部落表。
• 输出结构化，方便对接自己的数据库或可视化看板。

但它不适合什么场景？不适合拿来自动下单、无脑跟买。原因很直接：估值低不等于马上涨，创新药板块的定价逻辑大量依赖临床数据、审批进度和商业化预期，这些信息很难完全通过财务指标捕捉。因此，这份工具输出的是“研究线索”，不是“买卖指令”。

还有一个必须强调的边界：合规与授权。使用任何第三方数据接口前，要先确认该数据源的使用条款，尤其是商用场景。个人研究通常没问题，但如果要接入生产环境或对外提供服务，需要评估数据版权和接口限流要求。同时，本文所有代码和流程仅用于技术交流与量化研究，不构成任何投资建议。

3. 环境准备与数据源选择

这套流程不需要 GPU，也不需要高配服务器，一台能跑 Python 的普通电脑就行。建议配置如下：

安装依赖的通用命令如下：

pip install pandas numpy requests matplotlib openpyxl pip install akshare

如果你选择 tushare，还需要先到官方网站注册账号并获取 token，然后在脚本中配置：

import tushare as ts ts.set_token("你的token") pro = ts.pro_api()

这里我默认使用 akshare 作为演示数据源，因为它不需要注册 token，免费接口较多，适合个人研究和快速验证。但要注意，akshare 的接口名称和字段会随上游数据源调整而变化，实际运行时要根据当前版本文档调整函数名。

4. 获取创新药板块行情数据

4.1 拉取板块成分股列表

第一步是拿到“创新药板块”到底包含哪些股票。akshare 的板块数据来自主流财经网站，通常有“创新药”概念板块。

import akshare as ak import pandas as pd # 获取A股概念板块列表 board_df = ak.stock_board_concept_name_em() print(board_df.head()) # 筛选出名称包含“创新药”的板块 target_boards = board_df[board_df['板块名称'].str.contains('创新药')] print(target_boards)

筛选到目标板块后，获取其成分股：

code = target_boards.iloc[0]['板块名称'] stocks_df = ak.stock_board_concept_cons_em(symbol=code) print(stocks_df.head()) print("成分股数量：", len(stocks_df))

这一步得到的是股票代码、名称、最新价等基础信息。把代码列保存下来，后续所有批量任务都基于这个列表展开。

如果 akshare 的板块分类里没有直接叫“创新药”的概念，也可以变通处理：用申万行业分类里的“化学制药”“生物制品”，再结合主营业务关键词过滤。这种方法的优点是口径更可控，缺点是数据清洗工作量更大。

4.2 获取个股行情与估值指标

拿到成分股列表后，逐个拉取行情和估值数据。akshare 有专门获取个股财务和估值指标的函数，操作方式如下：

def get_stock_valuation(stock_code): """ 获取单只股票的最新估值和财务指标 注意：akshare 的接口函数名会调整，以官方文档为准 """ try: df = ak.stock_a_indicator_lg(symbol=stock_code) latest = df.iloc[-1] return { "代码": stock_code, "日期": latest["trade_date"], "PE": latest["pe_ttm"], "PB": latest["pb"], "总市值": latest["total_mv"], } except Exception as e: print(f"获取 {stock_code} 失败：{e}") return None

对一个几十只股票的板块来说，单线程循环够用了。如果板块规模超过 100 只，建议加上threading或concurrent.futures做并发请求，但一定要控制并发数，避免触发数据源限流。

这里给出的函数是基于 akshare 常见接口的示意写法，字段名可能随版本变化。运行前先打印一两条数据，确认列名再继续。

5. 低估值筛选逻辑设计

5.1 估值指标选择与分位计算

“低估”这个词很主观，但量化之后可以变成客观标准。最常用的两个指标是 PE-TTM 和 PB。

PE-TTM 适合盈利稳定、已经商业化的药企，但很多创新药公司还处于亏损阶段，PE 为负数或缺失，参考价值有限。这时 PB 更有意义，尤其对研发管线密集、资产较轻的 Biotech 公司，PB 结合研发投入能反映市场定价与账面资产的偏离程度。

更稳妥的做法是看历史分位。所谓“低估”，最好理解成“当前估值处于自身历史区间的较低位置”。

def calc_valuation_percentile(valuation_df): """ 计算 PE、PB 在历史数据中的分位 """ valuation_df["PE分位"] = valuation_df["PE"].rank(pct=True) valuation_df["PB分位"] = valuation_df["PB"].rank(pct=True) return valuation_df

这里用rank(pct=True)得到的是当前值在历史序列中的百分位排名。数值越小，说明当前估值越接近历史底部。

实际操作时，建议至少取 3 到 5 年历史数据，覆盖一轮行业周期。窗口太短，分位参考意义不大。

5.2 研发投入与管线数据清洗

创新药公司不能只看当期利润。很多公司把大笔资金投入研发，当期利润被费用压低，估值自然显得高。只看 PE 会误杀这类公司，所以需要加入研发费用作为过滤条件。

def get_rd_expense(stock_code): """ 获取研发费用数据 """ try: # 以财务指标接口为例，字段名以实际返回为准 df = ak.stock_financial_abstract_ths(symbol=stock_code) rd_col = [col for col in df.columns if "研发" in col] if rd_col: return df[["报告期"] + rd_col].head(1).to_dict("records")[0] return None except Exception as e: print(f"获取研发费用失败：{e}") return None

如果数据源不直接提供研发费用，也可以从利润表的三费构成中拆分，或者用“研发费用占营业总收入比例”作为替代指标。更精确的管线数据，比如临床阶段、适应症、靶点，公开数据源覆盖不全，这部分可以作为人工复核项。

5.3 筛选流程实现

完整筛选流程分四步：

1. 拉取板块成分股。
2. 获取每只股票的 PE、PB、历史分位。
3. 获取研发费用和研发营收比。
4. 过滤出“PB 分位 < 20% 且研发营收比 > 10%”的标的，输出候选列表。

import pandas as pd from concurrent.futures import ThreadPoolExecutor def screening_flow(stock_list): results = [] with ThreadPoolExecutor(max_workers=4) as executor: futures = {executor.submit(get_stock_valuation, code): code for code in stock_list} for future in as_completed(futures): data = future.result() if data: results.append(data) df = pd.DataFrame(results) # 清洗无效值 df = df.dropna(subset=["PE", "PB"]) # 计算分位 df["PB分位"] = df["PB"].rank(pct=True) df["PE分位"] = df["PE"].rank(pct=True) # 筛选条件：PB分位低于20% low_screened = df[df["PB分位"] < 0.20].copy() # 二次筛选：研发营收比高于10%（此处研发字段按实际数据源调整） # low_screened = low_screened[low_screened["研发营收比"] > 0.10] return low_screened.sort_values("PB分位")

筛选条件不是死的。如果你更看重盈利稳定性，可以改成“PE 分位 < 30% 且净利润为正”；如果你只看 Biotech，可以去掉 PE 条件，更多依赖 PB 分位和管线数据。核心思路是：把估值因子变成分位数，再结合行业特色因子做条件过滤。

6. 批量任务与数据更新设计

6.1 批量处理策略

整个流程天然适合批量执行。把股票代码列表存成 CSV 文件，循环或并发拉取数据，最后汇总输出。

# 保存成分股列表 stock_list = stocks_df["代码"].tolist() pd.DataFrame({"代码": stock_list}).to_csv("./output/创新药成分股.csv", index=False) # 批量获取估值数据 result_df = screening_flow(stock_list) result_df.to_csv("./output/低估筛选结果.csv", index=False, encoding="utf-8-sig")

建议在项目目录下建一个清晰的结构：

innovation_drug_screener/ ├── input/ # 输入数据，如成分股列表 ├── output/ # 筛选结果、报告 ├── cache/ # 接口缓存，避免重复请求 ├── scripts/ # Python 脚本 ├── config.yaml # 配置文件 └── requirements.txt # 依赖清单

6.2 定时更新任务

研究低频数据，比如每日估值更新，不需要实时流式处理。用系统定时任务就够了。

Linux/macOS 下使用 crontab：

0 18 * * 1-5 cd /path/to/project && python scripts/run_screener.py >> logs/screener.log 2>&1

Windows 下可以用任务计划程序，或用 Python 的 APScheduler：

from apscheduler.schedulers.blocking import BlockingScheduler scheduler = BlockingScheduler() @scheduler.scheduled_job("cron", day_of_week="mon-fri", hour=18, minute=0) def daily_screening(): run_screener() scheduler.start()

批量任务跑起来后，输出文件会每天更新，你就有一个持续跟踪板块低估标的的数据底座。

7. 结果输出与可视化

筛选结果不能只是一堆数字。为了让最终的 CSV 可读、可分享，可以增加两个输出：Markdown 报告和估值分布图。

def generate_markdown_report(ranked_df): """生成 Markdown 格式的低估候选清单""" lines = ["| 排名 | 代码 | 最新价 | PE | PB | PB分位 |", "| --- | --- | --- | --- | --- | --- |"] for i, row in ranked_df.iterrows(): lines.append(f"| {i+1} | {row['代码']} | {row['最新价']} | {row['PE']:.2f} | {row['PB']:.2f} | {row['PB分位']:.2%} |") return "\n".join(lines)

import matplotlib.pyplot as plt def plot_pb_distribution(df): """绘制 PB 分布散点图""" plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False plt.figure(figsize=(10, 6)) plt.scatter(df["总市值"], df["PB"], alpha=0.6) plt.xlabel("总市值") plt.ylabel("PB") plt.title("创新药板块估值分布") plt.grid(True, linestyle="--", alpha=0.5) plt.savefig("./output/创新药板块估值分布.png", dpi=150)

报告和图表保存后，可以直接丢进自己的笔记系统，也可以作为研究底稿留存。唯一要注意的是，图表和报告只是辅助工具，它们不能替代最终的逐票人工复核。

8. 常见问题与排查方法

最常踩的坑是接口字段名变化。akshare 这类库依赖上游数据源的页面结构，页面一改，函数和字段就会跟着变。所以建议在代码里加一层“字段名检查”，发现 ValueError 或空 DataFrame 时，先打印原始列名，不要盲目改代码。

9. 最佳实践与合规提醒

再强调一遍，任何估值筛选工具都只是研究辅助，不是投资决策系统。以下几个工程化建议能让这套流程更可靠：

第一，数据接口要有多路备份。akshare 挂了就切 tushare，tushare 限流就切 CSV 离线数据。工程上不要把单点依赖放到生产环境里。

第二，缓存要充分利用。同类数据当天重复拉取没有意义，把每天的板块成分股、行情数据缓存到本地，既能减少接口压力，也能让回测和复盘有历史数据可用。

第三，过滤条件要可配置。把 PE 分位阈值、PB 分位阈值、研发营收比阈值放到配置文件中，方便动态调整。

# config.yaml 示例 screener: board_name: "创新药" pb_percentile_threshold: 0.20 pe_percentile_threshold: 0.30 min_rd_ratio: 0.10 use_pe: true use_pb: true use_rd: false

第四，合规红线必须清楚。所有数据源只能用于合法授权范围内的研究用途。涉及个股分析结果时，要注明数据来源和分析日期，不要以“保证收益”之类的表述传播。文中提到的所有功能仅用于技术研究，不对任何投资行为负责。

第五，如果你要把这套流程开放给团队或做成服务，建议用 FastAPI 包一层接口，把扫描和筛选逻辑封装成独立模块，前端只负责传参和展示。

10. 总结与下一步

回到标题的问题：医疗创新药猛涨，科技是否过时，是不是“大低估时代”。这些市场判断交给时间去验证，但“低估”两个字完全可以通过数据工具客观量化。

这套基于 Python 的创新药低估筛选工具，值得动手的部分有三个：一是用公开数据接口批量获取板块成分股和估值数据，告别手动查行情的低效操作；二是用 PE、PB 历史分位建立低估判断标准，把主观感受变成可回测的数字；三是把整个流程做成批量任务和定时更新，让研究数据每天自动沉淀。

最容易踩的坑也提醒到位：接口字段名会变，缓存一定要加，动态配置别写死在代码里。

下一步可以继续扩展的方向很明确：把财务数据扩展到净利润增速和研发资本化比例，叠加临床管线和审批进度数据，形成多因子打分模型；也可以把筛选结果接入自己的行情终端，做每日盘前提示。这个框架本身不挑板块，把“创新药”换成“半导体”“消费电子”，就是一套通用的行业低估筛选系统。结构不变，变的只是过滤因子和数据源。