(同花顺量化)非科创_、换手率_2%且_9%、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

选取至少5根均线重合的股票，这可以表示股票的价格趋势较为稳定，同时也可以减少股票的波动性。

2. 换手率>2%且<9%

选取换手率在2%到9%之间的股票，这可以表示股票的流动性较好，同时也避免了过高的换手率带来的交易成本和风险。

3. 非科创

选取非科创股票，这可以避免受到科技创新板的政策影响，同时也可以减少科技创新板带来的高波动性。

选股逻辑分析

以上三个逻辑可以结合起来，形成一个综合的量化选股策略。首先，选取至少5根均线重合的股票，这可以表示股票的价格趋势较为稳定，同时也可以减少股票的波动性。其次，选取换手率在2%到9%之间的股票，这可以表示股票的流动性较好，同时也避免了过高的换手率带来的交易成本和风险。最后，选取非科创股票，这可以避免受到科技创新板的政策影响，同时也可以减少科技创新板带来的高波动性。

有何风险？

以上三个逻辑可以结合起来，形成一个综合的量化选股策略。但是，这种策略也存在一定的风险。首先，如果选取的均线数量过多，可能会导致策略过于复杂，难以理解。其次，如果选取的换手率过低，可能会导致股票流动性较差，无法及时买卖。最后，如果选取的股票不是非科创股票，可能会受到科技创新板政策的影响，导致股票价格波动较大。

如何优化？

为了优化以上策略，可以考虑以下几点：

1. 适当减少均线数量，以降低策略的复杂度。
2. 适当提高换手率的选取范围，以增加股票的流动性。
3. 选择更加广泛的股票池，以减少受到科技创新板政策的影响。

最终的选股逻辑

以下是最终的量化选股策略逻辑：

1. 选取至少5根均线重合的股票。
2. 选取换手率在2%到9%之间的股票。
3. 选择非科创股票。

python代码参考

以下是使用Python实现以上策略的代码参考：

import talib

def get_top_moving_average_scores(prices, n):
    ma_scores = []
    for i in range(n):
        ma = talib.MA(prices, timeperiod=i+1)
        ma_scores.append(ma[-1])
    return ma_scores

def get_top_trading_volume_scores(prices, n):
    trading_volume_scores = []
    for i in range(n):
        trading_volume = talib.STOCHRVI(prices, timeperiod=14, fastperiod=3, slowperiod=10, rsiperiod=7, upperband=0.9, lowerband=0.1, colorup=2, colordown=2)
        trading_volume_scores.append(trading_volume[-1])
    return trading_volume_scores

def get_top_non_科创_scores(prices, n):
    non_科创_scores = []
    for i in range(n):
        if prices[-1] < 100000000:
            non_科创_scores.append(prices[-1])
    return non_科创_scores

def get_top_scores(prices, n):
    ma_scores = get_top_moving_average_scores(prices, n)
    trading_volume_scores = get_top_trading_volume_scores(prices, n)
    non_科创_scores = get_top_non_科创_scores(prices, n)
    return ma_scores, trading_volume_scores, non_科创_scores

def get_top_scores_df(prices, n):
    ma_scores, trading_volume_scores, non_科创_scores = get_top_scores(prices, n)
    df = pd.DataFrame({'MA': ma_scores, 'Trading Volume': trading_volume_scores, 'Non_科创': non_科创_scores})
    df = df.sort_values(by=['MA'], ascending=False)
    return df

def get_top_scores_sorted(prices, n):
    ma_scores, trading_volume_scores, non_科创_scores = get_top_scores(prices, n)
    sorted_scores = ma_scores + trading_volume_scores + non_科创_scores
    return sorted_scores

def get_top_scores_sorted_df(prices, n):
    ma_scores, trading_volume_scores, non_科创_scores = get_top_scores(prices, n)
    df = pd.DataFrame({'MA': ma_scores, 'Trading Volume': trading_volume_scores, 'Non_科创': non_科创_scores})
    df = df.sort_values(by=['MA'], ascending=False)
    return 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。