问财量化选股策略逻辑
- 至少5根均线重合的股票
- 换手率>2%且<9%
- 9点25分涨幅小于6%
选股逻辑分析
这个策略的逻辑是基于技术分析和市场行为分析。首先，策略要求至少5根均线重合，这表明股票的价格趋势相对稳定，没有出现大幅波动。其次，策略要求换手率在2%到9%之间，这意味着该股票的交易活跃度适中，不是过于活跃或过于低迷。最后，策略要求9点25分涨幅小于6%，这表明该股票在开盘后没有出现大幅上涨，可能是潜在的买入机会。
有何风险？
这个策略的风险主要来自于市场风险和技术分析的局限性。首先，市场风险是指股票价格的波动可能超出策略的预期，导致策略无法获得预期的收益。其次，技术分析的局限性在于它只能反映过去的价格行为，而不能预测未来的价格走势。因此，策略的收益率可能无法达到预期。
如何优化？
为了优化这个策略，可以考虑以下几点：
- 增加更多的均线重合条件，以提高策略的稳定性和准确性。
- 考虑加入其他技术指标，如MACD、RSI等，以更好地分析股票的价格走势。
- 考虑加入其他市场行为指标，如成交量、换手率等，以更好地分析股票的交易活跃度。
- 考虑加入其他时间周期的数据，如日线、周线等，以更好地分析股票的价格走势。
最终的选股逻辑
- 筛选出至少5根均线重合的股票
- 筛选出换手率在2%到9%之间的股票
- 筛选出9点25分涨幅小于6%的股票
- 对于满足以上条件的股票，按照技术指标和市场行为指标的综合评分排序，选择评分最高的前10只股票作为最终的买入标的。
python代码参考
import talib
import pandas as pd
def get_rolling_mean(df, n):
return df.rolling(n).mean()
def get_rolling_std(df, n):
return df.rolling(n).std()
def get_bollinger Bands(df, n):
upper = get_rolling_mean(df, n) + 2 * get_rolling_std(df, n)
lower = get_rolling_mean(df, n) - 2 * get_rolling_std(df, n)
return upper, lower
def get_rolling_percent_change(df, n):
return df.rolling(n).pct_change()
def get_rolling_sum(df, n):
return df.rolling(n).sum()
def get_rolling_count(df, n):
return df.rolling(n).count()
def get_top_n(df, n):
return df.nlargest(n)
def get_stock_data(stock_code):
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/download/{stock_code}', index_col='Date')
df = df[['Adj Close']]
df = df.resample('1d').last()
df = df.fillna(method='ffill')
df = df.astype(float)
return df
def get_rolling_windows(df, n):
return df.shift(n)
def get_rolling_window_percent_change(df, n):
df = df.shift(n)
df = df.pct_change()
return df
def get_rolling_window_sum(df, n):
df = df.shift(n)
df = df.sum()
return df
def get_rolling_window_count(df, n):
df = df.shift(n)
df = df.count()
return df
def get_rolling_window_rsi(df, n):
df = df.rolling(n).apply(lambda x: talib.RSI(x, timeperiod=n))
return df
def get_rolling_window_macd(df, n):
df = df.rolling(n).apply(lambda x: talib.MACD(x, fastperiod=n, slowperiod=n, signalperiod=n))
return df
def get_rolling_window_bollinger_bands(df, n):
upper, lower = get_rolling_window_percent_change(df, n)
upper, lower = get_rolling_window_sum(df, n), get_rolling_window_count(df, n)
return upper, lower
def get_rolling_window_mom(df, n):
df = df.rolling(n).apply(lambda x: talib.MOM(x, timeperiod=n))
return df
def get_rolling_window_dpo(df, n):
df = df.rolling(n).apply(lambda x: talib.DPO(x, timeperiod=n))
return df
def get_rolling_window_cci(df, n):
df = df
## 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。
