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,日线MACD＞0。
选股逻辑分析
该选股策略主要是寻找具有较活跃换手率的股票，并且具有良好的股价上涨潜力。同时，通过加入日线MACD指标来筛选良好的技术面股票，保证股票具有持续上涨的潜力。
有何风险？
该选股策略主要是基于技术面的选股方式，因此，对于股票的基本面表现不够重视。此外，当市场情况发生变化可能会对股票上涨带来不确定性。
如何优化？
可以加入其他指标，如RSI、KDJ等技术面指标来协助选股，并结合股票基本面等因素，如收入、资产、估值等，来选取市场表现较好的股票。
最终的选股逻辑
该选股策略选股逻辑为：选择换手率3%-12%、前25天有涨停并且日线MACD＞0的股票。
同花顺指标公式代码参考
通达信指标代码：
EMA12:=EMA(CLOSE, 12);
EMA26:=EMA(CLOSE, 26);
DIF:=EMA12 - EMA26;
DEA:=EMA(DIF, 9);
MACD:(DIF - DEA) * 2;
CON1:=VOL/HGVBARS(V,30) >= 3 AND VOL/HGVBARS(V,30) <= 12 AND LEN(C > REF(C,25)) >= 1 AND MACD >= 0;
SELECTED:=CON1;
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'])
df_stocks = pd.read_csv('stock_list.csv')
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() - timedelta(days=1)).strftime('%Y-%m-%d'))
k_data.set_index('date', inplace=True)
ma5 = k_data['close'].rolling(5).mean()
ma10 = k_data['close'].rolling(10).mean()
ma20 = k_data['close'].rolling(20).mean()
vol = k_data['volume']
ema12 = k_data['close'].ewm(span=12).mean()
ema26 = k_data['close'].ewm(span=26).mean()
dif = ema12 - ema26
dea = dif.ewm(span=9).mean()
macd = (dif-dea) * 2
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(k_data[k_data['close'] > ma5]) >= 1 and \
len(k_data[k_data['close'] > ma10]) >= 1 and \
len(k_data[k_data['close'] > ma20]) >= 1 and \
len(k_data[k_data['close'] > dif]) >= 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]})
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。
