问财量化选股策略逻辑
- 至少5根均线重合的股票
- 昨天换手率＞8%
- 股票均价站在五日均线之上
选股逻辑分析
这个策略基于三个基本的股票技术指标：均线、换手率和股票价格。首先，至少5根均线重合的股票表明这些股票的价格趋势比较稳定，而且可能有更多的机会出现买入或卖出信号。其次，昨天换手率＞8%的股票表明这些股票的交易活跃度较高，可能有更多的机会出现趋势反转或趋势延续的情况。最后，股票均价站在五日均线之上表明这些股票的价格趋势是向上的，可能有更多的机会出现买入信号。
有何风险？
这个策略的局限性在于它只考虑了股票的基本技术指标，没有考虑其他因素，如公司的财务状况、行业趋势和市场情绪等。此外，如果股票的价格波动较大，这些技术指标可能无法准确反映股票的趋势。
如何优化？
为了优化这个策略，可以考虑加入其他技术指标，如布林线、MACD等，以更准确地反映股票的趋势。此外，可以考虑加入其他因素，如公司的财务状况、行业趋势和市场情绪等，以更全面地评估股票的投资价值。
最终的选股逻辑
以下是最终的选股逻辑：
- 股票的收盘价在五日均线之上
- 股票的收盘价在十日均线之上
- 股票的收盘价在二十日均线之上
- 股票的收盘价在三十日均线之上
- 股票的收盘价在六十日均线之上
- 股票的换手率昨天大于8%
- 股票的收盘价在布林线中轨之上
- 股票的收盘价在布林线中轨之上
- 股票的收盘价在布林线中轨之上
- 股票的收盘价在布林线中轨之上
python代码参考
以下是基于上述策略的python代码：
import talib
import pandas as pd
def get_stock_data(stock_code):
# 获取股票的历史收盘价数据
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('D').last()
df = df.dropna()
return df
def get_rolling_mean(df, n):
# 获取n日的滚动平均值
rolling_mean = df.rolling(n).mean()
return rolling_mean
def get_bollinger Bands(df, n):
# 获取n日的布林线
upper, middle, lower = talib.BBANDS(df['Adj Close'], timeperiod=n, bandtype='upper', stdname='std')
return upper, middle, lower
def get_stock_scores(df, n):
# 获取n日的股票评分
rolling_mean = get_rolling_mean(df, n)
upper, middle, lower = get_bollinger Bands(df, n)
rsi = talib.RSI(df['Adj Close'], timeperiod=n)
macd = talib.MACD(df['Adj Close'], fastperiod=12, slowperiod=26, signalperiod=9)
ema12 = talib.EMA(df['Adj Close'], timeperiod=12)
ema26 = talib.EMA(df['Adj Close'], timeperiod=26)
ema9 = talib.EMA(df['Adj Close'], timeperiod=9)
cci = talib.CCI(df['Adj Close'], timeperiod=14)
avg_gain = talib.AVG Gain(df['Adj Close'], timeperiod=1)
avg_loss = talib.AVG Loss(df['Adj Close'], timeperiod=1)
return rolling_mean, upper, middle, lower, rsi, macd, ema12, ema26, ema9, cci, avg_gain, avg_loss
def get_top_stocks(n):
# 获取n日涨幅最大的n支股票
df = get_stock_data('600036')
rolling_mean, upper, middle, lower, rsi, macd, ema12, ema26, ema9, cci, avg_gain, avg_loss = get_stock_scores(df, n)
top_stocks = df[df['Adj Close'] > rolling_mean].sort_values(by='Adj Close', ascending=False).head(n)
return top_stocks
def get_top_trading_days(n):
# 获取n日换手率最大的n支股票
df = get_stock_data('600036')
## 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。
