(同花顺量化)10日涨幅大于0小于35_、60开头的股票、至少5根均线重合的股票

问财量化选股策略逻辑

1. 至少5根均线重合的股票: 这个逻辑表示股票的短期和中期趋势比较一致，可能表明股票处于一个比较稳定的阶段。
2. 60开头的股票: 这个逻辑表示股票的交易时间周期较长，可能表明投资者对股票的长期走势更加关注。
3. 10日涨幅大于0小于35: 这个逻辑表示股票在最近10天内的价格波动比较小，但有一定的上涨趋势。

选股逻辑分析

这个策略的逻辑是通过结合短期和中期均线的重合情况、股票的交易时间周期和价格波动情况来筛选股票。这个策略可能适用于那些对股票长期走势比较关注的投资者，同时也可能适用于那些希望在短期内寻找价格波动较小的股票的投资者。

然而，这个策略也存在一些风险。首先，这个策略可能会忽略股票的短期波动，从而错过一些短期投资机会。其次，这个策略可能会过于注重股票的长期趋势，从而忽略了一些短期市场变化。最后，这个策略可能会过于依赖技术分析，从而忽略了一些基本面因素。

如何优化？

为了优化这个策略，可以考虑以下几点：

1. 增加更多的均线组合，例如结合长期和中期均线、结合短期和中期趋势等，以期获得更准确的股票筛选结果。
2. 尝试使用其他技术分析指标，例如布林线、MACD等，以期获得更准确的股票筛选结果。
3. 尝试结合基本面分析，例如公司的财务状况、行业发展趋势等，以期获得更准确的股票筛选结果。

最终的选股逻辑

以下是最终的选股逻辑：

1. 股票的交易时间周期为60天或以上。
2. 股票的5日、10日、20日、30日、60日均线至少有5根重合。
3. 股票的10日涨幅大于0小于35。

python代码参考：

import tushare as ts

# 设置pro接口token
ts.set_token('your_token')

# 初始化pro接口
pro = ts.pro_api()

# 获取所有A股股票的代码和名称
df = pro.stock_basic()
codes = df['ts_code'].tolist()
names = df['name'].tolist()

# 初始化股票数据
data = {}

# 循环遍历所有股票
for code in codes:
    # 获取股票的5日、10日、20日、30日、60日均线
    df = pro.history(code, start='2021-01-01', end='2021-12-31', fields='close,ma5,ma10,ma20,ma30,ma60')
    ma_data = df.to_dict(orient='records')
    
    # 将股票数据保存到字典中
    data[code] = ma_data

# 找到符合条件的股票
filtered_data = []
for code, ma_data in data.items():
    ma5, ma10, ma20, ma30, ma60 = ma_data[0]['ma5'], ma_data[0]['ma10'], ma_data[0]['ma20'], ma_data[0]['ma30'], ma_data[0]['ma60']
    if ma5 > ma10 and ma10 > ma20 and ma20 > ma30 and ma30 > ma60:
        filtered_data.append(code)

# 输出符合条件的股票代码
print(filtered_data)

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。