问财量化选股策略逻辑
首先，我们来分析一下这个策略的逻辑。该策略至少选取5根均线进行重合，这可以增加股票的持股稳定性和减少交易次数。接下来，我们筛选出60开头的股票，这可以排除一些较小的股票，提高交易的可操作性。最后，我们选择20日均线大于120日均线的股票，这可以筛选出一些短期趋势向上的股票。
选股逻辑分析
这个策略的逻辑看起来比较清晰，但是也存在一些风险。首先，选取的均线数量较多，可能会导致信号的杂乱和不准确。其次，该策略只考虑了短期趋势，没有考虑长期趋势，可能会导致错过一些优质股票。最后，该策略只考虑了股票的走势，没有考虑公司的基本面因素，可能会导致误选一些垃圾股。
有何风险？
该策略存在信号杂乱、忽略长期趋势、忽略基本面因素等风险。
如何优化？
为了优化这个策略，我们可以考虑以下几点：
- 选取更少的均线，例如3根或4根，以减少信号的杂乱和提高准确性。
- 考虑加入长期趋势的指标，例如MACD或布林线，以更好地筛选出优质股票。
- 考虑加入公司的基本面因素，例如市盈率、市净率等，以更好地筛选出优质股票。
最终的选股逻辑
根据以上分析，我们可以得出以下最终的选股逻辑：
- 选取3根或4根均线，重合的均线数量不少于2根。
- 选择60开头的股票。
- 选择20日均线大于120日均线的股票。
python代码参考
以下是使用pandas和numpy库实现该策略的python代码：
import pandas as pd
import numpy as np
def get_rolling_mavg(df, n):
"""获取n日的滚动平均值"""
df['rolling_mavg'] = df['close'].rolling(n).mean()
return df
def get_rolling_std(df, n):
"""获取n日的滚动标准差"""
df['rolling_std'] = df['close'].rolling(n).std()
return df
def get_rolling_diff(df, n):
"""获取n日的滚动差值"""
df['rolling_diff'] = df['close'].rolling(n).diff()
return df
def get_rolling_count(df, n):
"""获取n日的滚动数量"""
df['rolling_count'] = df['close'].rolling(n).count()
return df
def get_rolling_sum(df, n):
"""获取n日的滚动和值"""
df['rolling_sum'] = df['close'].rolling(n).sum()
return df
def get_rolling_avg_std(df, n):
"""获取n日的滚动平均值和标准差"""
df['rolling_avg'] = df['rolling_mavg'].mean()
df['rolling_std'] = df['rolling_std'].mean()
return df
def get_rolling_diff_std(df, n):
"""获取n日的滚动差值和标准差"""
df['rolling_diff'] = df['rolling_diff'].mean()
df['rolling_std'] = df['rolling_std'].mean()
return df
def get_rolling_count_std(df, n):
"""获取n日的滚动数量和标准差"""
df['rolling_count'] = df['rolling_count'].mean()
df['rolling_std'] = df['rolling_std'].mean()
return df
def get_rolling_sum_std(df, n):
"""获取n日的滚动和值和标准差"""
df['rolling_sum'] = df['rolling_sum'].mean()
df['rolling_std'] = df['rolling_std'].mean()
return df
def get_rolling_ma_std(df, n1, n2):
"""获取n1日和n2日的滚动平均值和标准差"""
df['rolling_ma'] = df['close'].rolling(n1).mean()
df['rolling_std'] = df['rolling_std'].rolling(n2).mean()
return df
def get_rolling_diff_std(df, n1, n2):
"""获取n1日和n2日的滚动差值和标准差"""
df['rolling_diff'] = df['rolling_diff'].rolling(n1).mean()
df['rolling_std'] = df['rolling_std'].rolling(n2).mean()
return df
def get_rolling_count_std(df, n1, n2):
"""获取n1日和n2日的滚动数量和标准差"""
df['rolling_count'] = df['rolling_count'].rolling(n1).mean()
df['rolling_std'] = df['rolling_std'].rolling(n2).mean
## 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。
