问财量化选股策略逻辑
该选股策略选股逻辑为：换手率3%-12%,前25天有涨停,周线红柱。
选股逻辑分析
该选股策略主要通过筛选市场活跃度较高的股票，选择前25天有涨停的股票，并且筛选出周线有红柱的股票。其通过周线形态来判断股票是否处于上升趋势，可能能从市场情绪和技术面上选择赚取一定收益。
有何风险？
相对而言，该选股策略风险较大。对于一些后续未能反弹或出现股价逆势下跌的股票，可能会造成较大的亏损。同时，周线红柱作为技术指标也存在较大的局限性，可能存在判断失误的情况。
如何优化？
可以进一步优化周线红柱的判断方式，引入更多的趋势指标，如布林带，KDJ等指标，增加对趋势和震荡市场的判断，提高选股成功率。同时，加入其他的技术面和基本面指标，如财务指标、行业趋势等。对选股策略进行量化优化，比如引入机器学习算法对股票形态进行判断和分析。
最终的选股逻辑
该选股策略选股逻辑为：筛选换手率3%-12%、前25天有涨停；同时要求周线有红柱。
同花顺指标公式代码参考
通达信指标代码：
C:=CLOSE;
T:=3;
IF (WEEKDAY=5,TRUE,FALSE);
SUM:C+REF(C,1)+REF(C,2);
TSUM:SUM-REF(SUM,T);
MA10:=MA(C,10);
MA20:=MA(C,20);
DIF:=MA10-MA20;
DEA1:=MA(DIF,10);
DEA2:=MA(DIF,20);
MACD:DIF-DEA1*2;
TIMESVARY:=MA(C,TIMECYCLE)/REF(MA(C,TIMECYCLE),TIMECYCLE)-1;
REF(TIMESVARY,1);
MACDDay9:=MA(MACD,9);
MACDhist:=(MACD-MACDDay9)*2;
REDHIST:IF(MACDhist>0 AND MACDhist>REF(MACDhist,1),MACDhist,0);
python代码参考
import pandas as pd
import numpy as np
import time
from datetime import datetime, timedelta
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
api = TdxHq_API()
ip = select_best_ip('tdx')
api.connect(ip['ip'], ip['port'])
end_date = datetime.today().strftime('%Y-%m-%d')
start_date = (datetime.today() - timedelta(days=25)).strftime('%Y-%m-%d')
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type',
'industry', 'list_date', 'delist_date', 'infolevel'])
selected_stocks = []
for code in df_stocks['code']:
if code.startswith('60') and df_stocks[df_stocks['code'] == code]['market_type'].values[0] != 5 and \
df_stocks[df_stocks['code'] == code]['delist_date'].values[0] == '':
if not api.is_ST(code) and api.get_stock_list_by_market(1)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0 and \
api.get_stock_list_by_market(2)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0 and \
df_stocks[df_stocks['code'] == code]['list_date'].values[0] <= '2000-01-01':
try:
stock_info = api.get_security_quotes([code])[0]
k_data = api.get_security_bars(9, 0, code, 4, datetime.today().strftime('%Y-%m-%d'))
k_data['date'] = k_data['datetime'].apply(lambda x: datetime.fromtimestamp(time.mktime(time.strptime(str(x), '%Y%m%d%H%M%S'))).strftime('%Y-%m-%d'))
k_data.set_index('date', inplace=True)
week_k_data = k_data.resample('W').agg({'open': 'first', 'high': 'max', 'low': 'min', 'close': 'last', 'vol': 'sum', 'amount': 'sum'})
tsum = week_k_data['close'] + week_k_data['close'].shift(1) + week_k_data['close'].shift(2)
tsum_cycle = tsum - tsum.shift(3)
ema12 = tsum_cycle.ewm(span=12, adjust=False).mean()
ema26 = tsum_cycle.ewm(span=26, adjust=False).mean()
diff = ema12 - ema26
dea9 = diff.ewm(span=9, adjust=False).mean()
macd = 2 * (diff - dea9)
red_hist = np.where((macd - macd.shift(1) > 0) & (macd > 0), macd - macd.shift(1), 0)
k_data = k_data.loc[(k_data.index >= start_date) & (k_data.index <= end_date)]
if len(k_data) > 0 and \
k_data['turnover'].quantile(0.7) >= 0.03 and \
k_data['turnover'].quantile(0.7) <= 0.12 and \
len(k_data[k_data['pct_chg'] >= 9.90]) >= 1 and \
len(red_hist[red_hist > 0]) >= 1:
selected_stocks.append({'code': code,
'name': df_stocks[df_stocks['code'] == code]['name'].values[0],
'market_type': df_stocks[df_stocks['code'] == code]['market_type'].values[0],
'industry': df_stocks[df_stocks['code'] == code]['industry'].values[0],
'infolevel': df_stocks[df_stocks['code'] == code]['infolevel'].values[0]})
except Exception as e:
print(e)
continue
df_selected_stocks = pd.DataFrame(selected_stocks)
api.disconnect()
## 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。
