问财量化选股策略逻辑
选股逻辑为：元宇宙行业、圆弧形态、周线红柱。
选股逻辑分析
该选股逻辑结合了行业热点、技术形态和市场趋势进行筛选，周线红柱指标可以更好地反映出股票近期的市场表现。
有何风险？
周线红柱指标可能会受到市场波动的影响，而选择周线容易忽略了中长期的趋势。
如何优化？
优化此选股逻辑需要添加更多技术指标进行综合分析，以提高其鲁棒性和准确性。
最终的选股逻辑
选股逻辑为：元宇宙行业、圆弧形态、KDJ指标、周线MA5上穿MA10、MACD金叉信号、涨停股票浓度。
同花顺指标公式代码参考
元宇宙行业可以通过万德或通达信数据获取，也可以自行定义股票所属行业。
圆弧形态无默认指标公式，需要根据市场自行定义。
KDJ指标：KDJ(9, 3, 3), J>80
周线MA5上穿MA10指标:
CROSS(MA(CLOSE,5), MA(CLOSE,10))
MACD指标:
DIF := MA(CLOSE,12)-MA(CLOSE,26);
DEA := MA(DIF,9);
MACD := 2*(DIF-DEA);
MACD>0andREF(MACD,1)<REF(MACD,2)
涨停股票浓度指标：HSL(Y,YC,20)，其中YC取自通达信的CodeLib。
其中，MA表示移动平均线，CROSS表示两条线的交叉，REF表示将其整体向后或向前移动位置。
Python代码参考
import akshare as ak
import pandas as pd
def custom_indicator(data):
# 自定义圆弧形态指标
data['CIR'] = ...
# KDJ指标
low_list = pd.Series(data['low'])
high_list = pd.Series(data['high'])
close_list = pd.Series(data['close'])
data['K'], data['D'] = talib.STOCH(high_list, low_list, close_list, fastk_period=9, slowk_period=3, slowd_period=3)
data['J'] = 3 * data['K'] - 2 * data['D']
data['KDJ_OK'] = data['J'] > 80
# MA指标
data['WEEK_MA5'] = data['close'].rolling(window=5).mean()
data['WEEK_MA10'] = data['close'].rolling(window=10).mean()
data['WEEK_MA_OK'] = (data['WEEK_MA5'] > data['WEEK_MA10']) & (data['WEEK_MA5'].shift(1) <= data['WEEK_MA10'].shift(1))
# MACD指标
data['DIF'], data['DEA'], data['MACD'] = talib.MACD(close_list, fastperiod=12, slowperiod=26, signalperiod=9)
data['MACD_OK'] = (data['MACD'] > 0) & (data['MACD'].shift(1) < data['MACD'].shift(2))
return data
def hot_stock_strategy(data):
# 筛选符合条件的股票
conditions = [
(data['industry'] == '元宇宙'), # 所属行业为元宇宙
(data['CIR'] > 0), # 圆弧形态自定义指标
(data['KDJ_OK']), # KDJ指标
(data['WEEK_MA_OK']), # 周线MA上穿指标
(data['MACD_OK']), # MACD指标
(data['up_count'] > 1) # 涨停股票浓度指标
]
selected_data = data[tuple(conditions)].reset_index(drop=True)
return selected_data
def get_hot_stocks():
# 获取所有A股
stocks_zh_a_spot_df = ak.stock_zh_a_spot()
selected_stocks = []
for stock_code in stocks_zh_a_spot_df['代码'].unique():
# 根据股票代码获取历史交易数据
stock_hist = ak.stock_zh_a_hist(symbol=stock_code, adjust="qfq")
stock_hist = custom_indicator(stock_hist)
selected_data = hot_stock_strategy(stock_hist)
if not selected_data.empty:
selected_stocks.append(selected_data)
return pd.concat(selected_stocks)
print(get_hot_stocks())
在该选股逻辑的Python代码中，综合考虑了行业热点、技术形态和市场趋势等多个因素，以提高选股效果和准确性。同时加入较多的技术指标和定性分析，进一步提高了选股的效果和筛选能力。
## 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。
