问财量化选股策略逻辑
本选股策略为：RSI指标小于65，今日上涨幅度大于1%，主板股票，10日涨幅大于0小于35%。期望通过技术面和基本面，找到具备较强市场表现的股票。
选股逻辑分析
该选股策略同样结合了技术面和基本面。RSI小于65代表股票处于超卖区间，可以预期股票将会反弹；今日上涨幅度大于1%代表股票动能较强，预期未来将继续上涨；选择主板股票，代表该股票具备较强的市场地位和良好的基本面；选择10日涨幅大于0小于35%，代表该股票处于相对低位，具备较高的上涨空间。期望长期内能够获得具有一定市场表现的投资收益。
有何风险？
同样由于选股条件较为固定，可能会忽略市场的动态变化，导致股票运行状况与市场趋势出现脱节。同时选择10日涨幅大于0小于35%，代表该股票未来还需要较长时间的调整才能完成正常上涨。需要进行风险控制和合理把握。
如何优化？
可以从技术分析和基本面两方面入手优化选股策略。比如加入多种指标进行筛选，逐渐缩小选股范围。同时也可以逐步调整10日涨幅的标准，避免因为固定标准而排除符合其他条件的股票。需要根据市场行情和自身实际情况进行动态调整，避免出现市场动态与选股逻辑不符合的情况。
最终的选股逻辑
本选股策略为：RSI指标小于65，今日上涨幅度大于1%，主板股票，10日涨幅大于0小于35%。期望寻找具备较强市场表现的股票。
同花顺指标公式代码参考
//收盘价
CLOSE: MA(CLOSE, 1);
//收盘价14日指数平均值
RSV: =SMA((CLOSE-LLV(LOW,14))/(HHV(HIGH,14)-LLV(LOW,14))*100,3,1);
//KD指标中的D值即为RSV的3日加权移动平均值
K: EMA(RSV, 2);
D: EMA(K, 2);
//J值即为3K-2D
J: 3 * K - 2 * D;
//10日涨幅
UP: REF(CLOSE, 10);
UP10: (CLOSE - UP) / UP * 100;
Weave1: =Weave(LAST(J)<LAST(D) AND J>LAST(D), RSI<65, C>Refer(C,-1),LEFTSYMBOL(C,2)=='60', UP10>0 AND UP10<35);
Weave2: =Weave(IsMain, Weave1, 0);
SELECTIF(Weave2,1);
python代码参考
# 导入需要使用的库
import pandas as pd
import tushare as ts
import talib
# 选股函数
def stock_picking():
# 获取RSI指标小于65、今日上涨幅度大于1%、主板股票、10日涨幅大于0小于35%的股票池
basic_data = ts.get_stock_basics()
market_data = ts.get_today_all()
market_data.dropna(inplace=True)
market_data['circulating_market_value'] = market_data['mktcap'] - market_data['nmc']
market_data['circul'] = market_data['circulating_market_value'] / market_data['settlement'] / 100000000
daily_data = ts.get_today_ticks()
merge_data = pd.merge(market_data, daily_data, on='name', how='inner')
merge_data.drop(merge_data[merge_data['changepercent'] == 0.0].index, inplace=True)
merge_data.drop(merge_data[merge_data['volume'] <= 0].index, inplace=True)
merge_data['ten_ma'] = merge_data['price'].rolling(window=10).mean()
high_data = talib.MAX(merge_data['high'], timeperiod=14)
low_data = talib.MIN(merge_data['low'], timeperiod=14)
rsv_data = (merge_data['price'] - low_data) / (high_data - low_data) * 100
k_data = talib.EMA(rsv_data, timeperiod=2)
d_data = talib.EMA(k_data, timeperiod=2)
j_data = 3 * k_data - 2 * d_data
merge_data['j'] = j_data
merge_data['up_10'] = (merge_data['price'] - merge_data['price'].shift(10)) / merge_data['price'].shift(10) * 100
filter_data = merge_data[(merge_data['rsi'] < 65) & (merge_data['changepercent'] > 1.0) & (merge_data['stock_type'] == '主板') & (merge_data['open'] < 1.01 * merge_data['ten_ma']) & (merge_data['open'] > 0.99 * merge_data['ten_ma']) & (merge_data['up_10'] > 0.0) & (merge_data['up_10'] < 35.0) & (merge_data['j'].shift(1) < merge_data['d'].shift(1)) & (merge_data['j'] > merge_data['d'])]
filter_data = filter_data[['name', 'industry', 'open', 'price', 'outstanding', 'totals', 'totalAssets', 'liquidAssets', 'fixedAssets', 'reserved','reservedPerShare', 'esp', 'bvps', 'pb', 'timeToMarket']]
return filter_data
## 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。
