每日财经知识：博格公式选股——一个公式，筛出能长期持有的好公司（基于：TuShare API）

原创 | 来自北方狼 · StockStudy园地 | 2026年8月5日 17:41 重庆

前置说明：如需要下载本文代码（共有 360M 左右，基础数据），请大家关注微信公众号：“StockStudy园地” 后台回复：

【核心观点】

前言

投资最核心的难点，是在纷繁复杂的市场中找到稳定赚钱的公司。很多散户追热点、炒题材，最后只拿到纸面浮盈，拿不到真实现金流。先锋集团创始人约翰·博格提出的博格公式，剥离股价短期波动噪音，只抓长期收益两大核心来源，普通人零基础也能学会，既可手动在炒股软件测算，也能用 Python + Tushare 全自动批量选股。

一、通俗故事：看懂博格公式底层逻辑

假设两个合作对象：

理性人都会选择 A，但股市里大量投资者偏爱"讲故事、无分红"的 B 类公司。博格公式就是一套量化筛选标准，专门锁定持续分红、盈利稳定增长的优质企业。

约翰·博格核心结论：持有周期拉长至 10 年以上，市盈率估值涨跌会相互抵消，股票长期年化收益仅由两部分决定：现金分红、企业净利润长期增长。

简化核心公式（个股长期测算版）：

预期年化收益率 ≈ TTM 股息率 + 保守修正永续利润增速

判定标准：两者相加 ≥ 10%，纳入长期观察池。

二、三大核心基础概念（大众易懂版）

2.1 TTM 股息率（确定现金收益）

2.2 CAGR 复合年均增长率（剔除短期水分）

CAGR = (期末值 / 期初值)^(1 / 年数) – 1

2.3 保守永续增速（历史增速打折，理性预判未来）

核心逻辑：历史增速越高，长期维持难度越大，必须阶梯打折，同时设置上限 15%（没有企业能永久超 15% 复利增长），亏损企业保底 -5%。

三、通达信软件手工完整测算流程（长城证券烽火版通用）

步骤 1：提取 TTM 股息率

步骤 2：提取 7 年净利润同比增速

当年净利润增速 = (当年净利润 – 上年净利润) ÷ |上年净利润| × 100%

步骤 3：分别计算 3 / 5 / 7 年期 CAGR

统一使用复利开方公式，取完整年度净利润增速数据代入。

步骤 4：加权合并多周期增速

权重分配：7 年 CAGR × 0.4 + 5 年 CAGR × 0.35 + 3 年 CAGR × 0.25

示例数据：7 年 CAGR 13.38%、5 年 14.72%、3 年 11.29%

加权原始 CAGR = 13.38 × 0.4 + 14.72 × 0.35 + 11.29 × 0.25 = 13.33%

步骤 5：阶梯衰减打折

13.33% 落在 10%~15% 区间，留存 65%：

衰减后增速 = 13.33% × 0.65 = 8.66%

步骤 6：增速封顶限制

保守永续增速 = min(衰减后数值，15%) = 8.66%

步骤 7：博格公式计算预期年化收益

预期年化 = TTM 股息率 + 保守永续增速

若个股股息率 5%，总收益 = 5% + 8.66% = 13.66% ≥ 10%，达标入选。

四、Python + Tushare 自动化选股完整方案

4.1 数据接口对应说明（Tushare 函数对照表）

4.2 完整代码分步实现

1）环境初始化与 Token 配置

import tushare as ts
import pandas as pd
import numpy as np
import math

# 替换为个人Tushare Pro Token
ts.set_token('你的Tushare Token')
pro = ts.pro_api()

2）单只股票提取 7 年年报净利润同比增速

def get_yoy_data(ts_code):
"""获取单只股票近7年年报净利润同比增速"""
df = pro.fina_indicator(
ts_code=ts_code,
fields='ts_code,end_date,netprofit_yoy,ann_date'
)
# 仅保留12月31日年报数据
df_annual = df[df['end_date'].str.endswith('1231')]
# 按公告日期去重，保留最新年报
df_annual = df_annual.sort_values('ann_date', ascending=False)
df_annual = df_annual.drop_duplicates(subset=['end_date'])
if df_annual.empty:
return [], 0
latest_year = int(df_annual['end_date'].iloc[0][:4])
yoy_list = []
# 提取近7年数据
for year in range(latest_year – 6, latest_year + 1):
row = df_annual[df_annual['end_date'].str.startswith(str(year))]
if not row.empty and pd.notna(row.iloc[0]['netprofit_yoy']):
yoy_val = float(row.iloc[0]['netprofit_yoy'])
yoy_list.append(yoy_val)
return yoy_list, latest_year

3）CAGR 计算函数（极端增速约束）

def calc_cagr(yoy_list):
"""计算单周期复合年均增速，限制极端波动"""
if not yoy_list or len(yoy_list) < 3:
return None
# 约束增速极值，避免异常值干扰
ratios = []
for y in yoy_list:
y_clamp = max(–95, min(300, y))
ratios.append(1 + y_clamp / 100)
product = 1.0
for r in ratios:
product *= r
years = len(yoy_list)
return product ** (1 / years) – 1

def get_cagrs(yoy_list):
"""分别输出3/5/7年期CAGR"""
cagr_3y = calc_cagr(yoy_list[–3:]) if len(yoy_list) >= 3 else None
cagr_5y = calc_cagr(yoy_list[–5:]) if len(yoy_list) >= 5 else None
cagr_7y = calc_cagr(yoy_list[–7:]) if len(yoy_list) >= 7 else None
return cagr_3y, cagr_5y, cagr_7y

4）历史增速加权 + 阶梯衰减 + 封顶函数

def conservative_growth(cagr_3y, cagr_5y, cagr_7y):
# 加权计算
weight_map = []
if cagr_7y is not None:
weight_map.append((cagr_7y * 100, 0.40))
if cagr_5y is not None:
weight_map.append((cagr_5y * 100, 0.35))
if cagr_3y is not None:
weight_map.append((cagr_3y * 100, 0.25))
if not weight_map:
return 0.0
total_w = sum(w for _, w in weight_map)
weighted_cagr = sum(v * w for v, w in weight_map) / total_w
# 阶梯打折
if weighted_cagr > 25:
decayed = weighted_cagr * 0.35
elif weighted_cagr > 20:
decayed = weighted_cagr * 0.45
elif weighted_cagr > 15:
decayed = weighted_cagr * 0.55
elif weighted_cagr > 10:
decayed = weighted_cagr * 0.65
elif weighted_cagr > 5:
decayed = weighted_cagr * 0.75
elif weighted_cagr > 0:
decayed = weighted_cagr * 0.85
else:
decayed = max(weighted_cagr, –5.0)
# 增速上限15%
capped = min(decayed, 15.0)
return capped

5）主选股函数（批量全市场筛选）

def bogle_screening(target_return=10.0, trade_date="20260804"):
# 获取全市场每日基础指标，过滤股息率≥0.5%
df_daily = pro.daily_basic(
trade_date=trade_date,
fields='ts_code,dv_ratio,close,pe_ttm,pb,total_mv'
)
df_daily = df_daily[df_daily['dv_ratio'] > 0.5]
result_list = []
total_count = len(df_daily)
# 遍历每只股票计算博格预期收益
for idx, row in df_daily.iterrows():
ts_code = row['ts_code']
dv = row['dv_ratio']
yoy_data, _ = get_yoy_data(ts_code)
if len(yoy_data) < 3:
continue
c3, c5, c7 = get_cagrs(yoy_data)
safe_growth = conservative_growth(c3, c5, c7)
exp_return = dv + safe_growth
result_list.append({
"ts_code": ts_code,
"TTM股息率": round(dv, 3),
"保守永续增速%": round(safe_growth, 3),
"博格预期年化%": round(exp_return, 3),
"3年CAGR%": round(c3*100, 2) if c3 else None,
"5年CAGR%": round(c5*100, 2) if c5 else None,
"7年CAGR%": round(c7*100, 2) if c7 else None
})
# 每100只打印进度
if (idx + 1) % 100 == 0:
print(f"已处理 {idx+1}/{total_count}")
# 筛选达标标的并排序
df_res = pd.DataFrame(result_list)
df_pass = df_res[df_res["博格预期年化%"] >= target_return]
df_pass = df_pass.sort_values("博格预期年化%", ascending=False)
return df_pass

# 执行选股，trade_date替换为最新交易日
qualified_df = bogle_screening(target_return=10.0, trade_date="20260804")
print(f"博格公式筛选达标个股总数：{len(qualified_df)}")
print(qualified_df.head(20))

6）补充个股行业、ROE、净利率辅助信息

def enrich_fundamental(df):
enrich_list = []
for _, row in df.iterrows():
code = row["ts_code"]
# 获取股票名称、行业
stock_info = pro.stock_basic(ts_code=code, fields="ts_code,name,industry")
name = stock_info.iloc[0]["name"] if not stock_info.empty else ""
industry = stock_info.iloc[0]["industry"] if not stock_info.empty else ""
# 获取最新ROE、净利率
fin_ind = pro.fina_indicator(ts_code=code, limit=1, fields="roe,netprofit_margin")
roe = round(fin_ind.iloc[0]["roe"], 2) if not fin_ind.empty else None
margin = round(fin_ind.iloc[0]["netprofit_margin"], 2) if not fin_ind.empty else None
line = row.to_dict()
line.update({"股票名称": name, "行业": industry, "最新ROE%": roe, "净利率%": margin})
enrich_list.append(line)
return pd.DataFrame(enrich_list)

# 调用补充信息
full_df = enrich_fundamental(qualified_df)
# 导出Excel本地保存
full_df.to_excel("博格公式选股结果.xlsx", index=False)

五、关键口径统一说明（手工计算与 Tushare 对齐）

六、博格公式选股局限性与风险提示

1）适用范围限制

• 仅适配持续稳定盈利、常年现金分红的消费、公用、高股息蓝筹；
• 强周期行业（有色、煤炭、钢铁）净利润周期性大幅波动，CAGR 失真，筛选结果参考性低；
• 银行、保险等金融行业财务指标特殊，ROE、盈利增速解读需额外专业分析；
• 上市未满 3 年新股、常年亏损无分红企业无法使用该模型。

2）模型本身短板

博格公式只是量化初筛工具，非直接买入决策依据，筛选出标的后必须额外人工复核：

3）投资核心逻辑重申

博格公式放弃预测短期股价涨跌、主力资金、题材热点，只锚定两个长期核心：

长期投资不需要复杂指标堆砌，抓住现金流与成长两大锚点，即可大幅规避题材炒作陷阱。

七、文档总结

数据来源：Tushare Pro 金融数据 API
创作时间：2026-08-05

附：程序运行后，选出的部分股票参考（详见公众号后台回复"博格选股结果"下载）。

本文转载自微信公众号「StockStudy园地」（作者：北方狼），原文发布于 2026年8月5日。仅供学习交流，版权归原作者所有。