(同花顺量化)10天内涨停天数大于2_、60开头的股票、至少5根均线重合的股票

用户头像神盾局量子研究部
2023-08-31 发布

问财量化选股策略逻辑

至少5根均线重合的股票

首先,我们筛选出至少5根均线重合的股票。这表明这些股票的短期和长期趋势是相一致的,表明这些股票的走势比较稳定。

60开头的股票

其次,我们筛选出60开头的股票。这是因为60分钟线是股票市场中常用的短期趋势指标,可以帮助我们更好地把握股票的短期走势。

10天内涨停天数大于2

最后,我们筛选出10天内涨停天数大于2的股票。这是因为这些股票的短期涨幅比较大,表明市场对这些股票的走势比较看好。

选股逻辑分析

以上三个筛选条件结合起来,可以帮助我们筛选出一些具有稳定趋势和短期涨幅的股票。但是,需要注意的是,这些筛选条件并不是绝对的,因此还需要结合其他因素进行综合分析。

有何风险?

尽管以上筛选条件可以帮助我们筛选出一些具有潜力的股票,但是仍然存在一定的风险。首先,短期涨幅过大的股票可能会出现回调,因此需要谨慎投资。其次,市场走势是不断变化的,因此需要时刻关注市场动态,以便及时调整投资策略。

如何优化?

为了进一步优化筛选逻辑,我们可以考虑加入其他因素,例如股票的市值、市盈率等。此外,我们还可以通过技术分析和基本面分析相结合的方式,更加准确地把握股票的走势。

最终的选股逻辑

最终的选股逻辑如下:

  1. 筛选出至少5根均线重合的股票。
  2. 筛选出60开头的股票。
  3. 筛选出10天内涨停天数大于2的股票。
  4. 结合股票的市值、市盈率等其他因素进行综合分析。
  5. 通过技术分析和基本面分析相结合的方式,更加准确地把握股票的走势。

python代码参考

以下是一个简单的Python代码示例,用于实现上述筛选逻辑:

import talib

def get筛选条件():
    # 筛选出至少5根均线重合的股票
    ma5 = talib.MA(close, timeperiod=5)
    ma10 = talib.MA(close, timeperiod=10)
    ma20 = talib.MA(close, timeperiod=20)
    ma50 = talib.MA(close, timeperiod=50)
    ma100 = talib.MA(close, timeperiod=100)
    ma200 = talib.MA(close, timeperiod=200)
    if len(ma5) >= 5 and ma5[-1] == ma5[-2] and ma5[-2] == ma5[-3] and ma5[-3] == ma5[-4] and ma5[-4] == ma5[-5]:
        return True
    else:
        return False

def get筛选条件2():
    # 筛选出60开头的股票
    if str(open[0])[-4:] == '60':
        return True
    else:
        return False

def get筛选条件3():
    # 筛选出10天内涨停天数大于2的股票
    df = pd.read_csv('stock_data.csv')
    if df['stk_code'].isin(df[df['stk_code'] == '600036']['stk_code'].unique()).sum() > 2:
        return True
    else:
        return False

def get筛选条件4():
    # 结合股票的市值、市盈率等其他因素进行综合分析
    # 这里我们简单地根据市值和市盈率进行筛选
    df = pd.read_csv('stock_data.csv')
   市值筛选 = df[df['market_cap'] > 1000000000]['market_cap'].unique()
    pe筛选 = df[df['pe'] < 50]['pe'].unique()
    if len(set市值筛选) > 0 and len(set(pe筛选)) > 0:
        return True
    else:
        return False

def get筛选条件5():
    # 通过技术分析和基本面分析相结合的方式,更加准确地把握股票的走势
    # 这里我们简单地根据收盘价的涨跌幅进行筛选
    df = pd.read_csv('stock_data.csv')
    df['close'] = df['close'].pct_change()
    df = df[df['close'] > 0.05]['close'].unique()
    if len(set(df)) > 0:
        return True
    else:
        return False

# 筛选出符合条件的股票
selected_stocks = []
for i in range(len(stock_data)):
    if get筛选条件() and get筛选条件2() and get筛选条件3()

## 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