问财量化选股策略逻辑
- 至少5根均线重合的股票
- 10日涨幅大于0小于35
- 反包
选股逻辑分析
- 这个策略首先选择至少5根均线重合的股票，这可能意味着这些股票的走势比较稳定，而且有可能形成支撑或阻力位。
- 然后，策略选择10日涨幅大于0小于35的股票，这可能意味着这些股票最近有比较明显的上涨趋势，但还没有达到过高的程度。
- 最后，策略选择反包的股票，这可能意味着这些股票在之前的下跌行情中被严重打压，但最近出现了一定的反弹，表明市场对该股票的看涨情绪正在增强。
有何风险？
- 这个策略可能无法准确预测股票的未来走势，因为市场是不可预测的。
- 这个策略可能无法准确预测哪些股票符合这些条件，因为市场上的股票数量众多，而且条件也比较宽松。
- 这个策略可能无法准确预测哪些股票符合这些条件后会继续上涨，因为股票的走势是受到多种因素影响的。
如何优化？
- 可以尝试调整均线的数量和时间周期，以更好地反映股票的走势。
- 可以尝试调整涨幅的条件，以更好地反映股票的上涨趋势。
- 可以尝试加入其他条件，例如股票的市值、市盈率等，以更好地筛选出有潜力的股票。
最终的选股逻辑
- 选择至少5根均线重合的股票
- 选择10日涨幅大于0小于35的股票
- 选择反包的股票
- 调整均线的数量和时间周期
- 调整涨幅的条件
- 加入其他条件，例如股票的市值、市盈率等
python代码参考
-
import talib
-
import numpy as np
-
import pandas as pd
-
def get_stock_data(stock_code):
-
df = pd.read_csv('stock_data.csv') -
return df[df['code'] == stock_code]
-
-
def get_moving_average(df, n):
-
ma = talib.MA(df['close'], n) -
return ma
-
-
def get_stock符合条件的股票代码(df):
-
conditions = [] -
conditions.append(df['close'].rolling(window=n).mean() > df['close'].rolling(window=n).mean() - 3) -
conditions.append(df['close'].rolling(window=n).mean() < df['close'].rolling(window=n).mean() + 3) -
conditions.append(df['close'].diff() > 0) -
conditions.append(df['close'].diff() < 0) -
conditions.append(df['close'] > df['close'].rolling(window=n).mean()) -
conditions.append(df['close'] < df['close'].rolling(window=n).mean()) -
conditions.append(df['close'] > df['close'].rolling(window=n).mean() - 0.3 * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] < df['close'].rolling(window=n).mean() + 0.3 * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] > df['close'].rolling(window=n).mean() - 0.3 * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] < df['close'].rolling(window=n).mean() + 0.3 * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] > df['close'].rolling(window=n).mean() - 0.5 * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] < df['close'].rolling(window=n).mean() + 0.5 * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] > df['close'].rolling(window=n).mean() - 0.7 * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std() * df['close'].rolling(window=n).std()) -
conditions.append(df['close'] < df['close'].rolling(window=n).mean() + 0
-
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。
