问财量化选股策略逻辑
本选股策略选取振幅大于1，(昨日换手率*(今日竞价成交量/昨日成交量))在0.5到2之间的股票，且收盘价位于布林带的上下轨之间。该策略结合了股票价格波动、换手率和技术分析的多重因素，寻找处于上涨趋势中的股票。
选股逻辑分析
本选股策略通过振幅大于1筛选出价格波动较大的股票，较大的波动对应着价格变化的机会。同时，筛选出昨日换手率与竞价成交量比率在0.5到2之间的股票，寻找高换手率、高流动性的股票。最后加入收盘价位于布林带的上下轨之间的条件，确认股票近期处于上涨趋势中。
有何风险？
本选股策略中的技术分析逻辑可能会带来干扰，因为技术分析的结果往往受到市场情绪的影响，并不能始终准确预测股票趋势。此外，决策指标的选择对选股结果也会产生很大的影响。
如何优化？
为了降低技术分析对选股结果的干扰，可以引入其他基本面数据，例如市盈率等财务数据作为补充。另外，也可以通过模型选择合适的决策指标，从而提高选股的准确度。
最终的选股逻辑
本选股策略选取振幅大于1，(昨日换手率*(今日竞价成交量/昨日成交量))在0.5到2之间的股票，且收盘价位于布林带的上下轨之间。
同花顺指标公式代码参考
通达信指标公式：(HHV(HIGH,20)-LLV(LOW,20))/REF(CLOSE,1)>0.01 AND (VOL/MA(VOL,5)-REF(VOL/MA(VOL,5),1))*100>5 AND C>Ref(max(Abs((CLOSE/REF(CLOSE,1)-1))*100,Ma(Abs((CLOSE/REF(CLOSE,1)-1))*100,5)),1)*1.09 AND CLOSE<BOLLVB(CLOSE,20,2) AND CLOSE>BOLLMB(CLOSE,20,2)
Python代码参考
import tushare as ts
import talib as ta
import pandas as pd
pro = ts.pro_api()
def select_stocks(n):
selected_stocks = []
for code in pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,list_date,list_status,total_mv')["ts_code"]:
if len(selected_stocks) >= n:
break
# 筛选出收盘价位于布林带的上下轨之间的股票
db = pro.daily(ts_code=code, start_date=(datetime.now() - timedelta(days=365)).strftime("%Y%m%d"),
end_date=datetime.now().strftime("%Y%m%d"), fields='open,high,low,close,vol')
if db.empty or len(db) < 250:
continue
upper, mid, lower = ta.BBANDS(db["close"].values, timeperiod=20, nbdevup=2, nbdevdn=2, matype=0, string=False)
if db.iloc[-1]["close"] < upper[-1] and db.iloc[-1]["close"] > mid[-1]:
# 筛选振幅大于1，(昨日换手率*(今日竞价成交量/昨日成交量))在0.5到2之间的股票
db['amplitude'] = (db['high'] - db['low']) / db['close']
db['turnover_ratio'] = db['vol'] / (db['vol'].sum() / len(db))
db_selected = db[(db['amplitude'] > 1) & (db['turnover_ratio'] * (db['vol'].shift() / db['vol'].shift(2)) > 0.5) & (db['turnover_ratio'] * (db['vol'].shift() / db['vol'].shift(2)) < 2)]
if not db_selected.empty:
selected_stocks.append({'code':code, 'last_close': db.iloc[-1]['close']})
# 根据收盘价排序选择前n个股票
df = pd.DataFrame(selected_stocks)
df_selected = df.sort_values('last_close', ascending=False)[:n]
selected_stocks = list(df_selected['code'])
return selected_stocks
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
