(supermind量化策略)task14/a/元宇宙、流通盘小于等于55亿股、15分钟周

用户头像神盾局量子研究部
2023-08-30 发布

问财量化选股策略逻辑

选股逻辑为:元宇宙行业、流通盘小于等于55亿股、15分钟周期MACD绿柱变短的股票。

选股逻辑分析

该选股逻辑通过结合技术面指标,选择元宇宙行业中流通盘较小的股票,并对15分钟周期的MACD指标进行研究,筛选出绿柱变短的品种。这种选股策略寻找的是具有超跌反弹潜力的标的,可以在趋势反转时进行买入操作。相比于其他选股策略,此逻辑更偏重于技术面指标的应用,可以更好地抓住短期市场行情的赚钱机会。

有何风险?

由于该逻辑过于依赖技术面指标,缺乏基本面和市场趋势的参考,可能存在市场波动较大、股票流动性不佳等风险。此外,过于注重短期交易机会,容易导致盈利与亏损的周期性较强,风险也相对较高。因此,在使用该选股逻辑时,需要做好风险控制和资金管理,谨慎入市。

如何优化?

为了提高选股逻辑的精确度和可靠性,可以结合技术面指标和基本面指标,筛选出质地更好、具有较高成长性和潜力的品种。此外,需要结合行业和市场的趋势,及时调整选股策略,把握市场行情,以避免盲目跟风和盲目追涨杀跌,实现资金的稳健增长。

最终的选股逻辑

所选股票应当满足以下条件:所属行业为元宇宙、流通盘小于等于55亿股、15分钟周期MACD绿柱变短。

同花顺指标公式代码参考

MACD通达信指标公式:DIF:EMA(CLOSE,12)-EMA(CLOSE,26); DEA:EMA(DIF,9); MACD:(DIF-DEA)*2.

Python代码参考

import akshare as ak
import pandas as pd
import talib

def custom_indicator(data):
    # 自定义流通股指标
    data['CMV'] = data['turnover_rate'] * data['total_share']
    # 计算MACD指标
    data['DIF'], data['DEA'], data['MACD'] = talib.MACD(data['close'], fastperiod=12, slowperiod=26, signalperiod=9)
    # 找出MACD绿柱变短的标的
    data['MACD_diff'] = data['MACD'] - data['DEA']
    data['MACD_trend'] = data['MACD_diff'].diff()
    data['trigger'] = data['MACD_trend'] < 0
    data['trigger_shift'] = data['trigger'].shift(periods=1).fillna(False)
    data['signal'] = (data['trigger'] & data['trigger_shift']) & (data['MACD_diff'] > 0)

    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['CMV'] <= 55),  # 流通股份不超过55亿
        (data['signal']),  # MACD绿柱变短
    ]
    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,加入了技术面指标进行筛选和分析,并加入了MACD绿柱变短的限制,以避免假突破和无效信号,提高选股策略的可靠性。最终的选股逻辑在保证一定的收益率的情况下,采用了技术面指标进行结合,加入了流通盘和MACD绿柱变短的限制,以提高选股策略的全面性和可靠性。

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论