问财量化选股策略逻辑
选股逻辑：MACD零轴以上、DEA上涨、底部抬高。选股逻辑作为第一个段落放入标题为##问财量化选股策略逻辑的段落中。分析以上的选股逻辑（每个逻辑以 "," 进行分隔），分析选股的逻辑（放入标题为##选股逻辑分析的段落），有什么风险？（放入标题为##有何风险？的段落）如何优化？（放入标题为##如何优化？的段落）并最终给出完善选股逻辑（放入标题为##最终的选股逻辑的段落），请用Markdown格式。
选股逻辑分析
该选股策略结合了技术面指标MACD和DEA，以及底部抬高的形态。MACD和DEA指标能够较好地展示股票买卖力量的强弱和变化趋势。底部抬高的形态，则是作为有效的信号指示器，常常出现在市场反转或底部区域。从而通过该选股逻辑，可以筛选出MACD和DEA均为上行趋势，同时底部抬高的个股。
有何风险？
以下是该选股策略可能存在的一些风险：
- 技术面指标短期失效：一些技术指标快速调整或者失效，影响选股效果；
- 底部抬高的形态无法准确预测：底部抬高的形态并不能精准地预测股价走势，选股效果可能受到影响。
如何优化？
以下是该选股策略的一些优化建议：
- 考虑加入其他技术面指标：可以加入其他技术面指标以增加选股稳定性，如KDJ、RSI等；
- 加入更多的判断维度：可以加入其他维度进行选股，如财务面指标、行业等；
- 优化底部抬高的形态判断方法：可以对底部抬高的形态判断方法进行优化，例如加入加权算法等。
最终的选股逻辑
该选股策略基于MACD和DEA技术面指标、底部抬高的形态，可以选择MACD和DEA均为上行趋势，同时呈现底部抬高的个股。
同花顺指标公式代码参考
- 判断MACD零轴以上、DEA上涨: MACD(12,26,9)：DIF=EMA(CLOSE,12)-EMA(CLOSE,26);DEA=EMA(DIF,9);DIF>DEA
- 判断底部抬高的形态: 底部抬高形态判断可采用技术分析理论中的N日变形底等方法进行判断;
python代码参考
from jqdata import *
import talib
def initialize(context):
set_commission(PerTrade(buy_cost = 0.0003, sell_cost = 0.0003, min_cost = 5))
set_slippage(PriceSlippage(0.002))
g.data_moving_period = 10
set_option('avoid_future_data', True)
def before_trading_start(context):
g.stocks_selected = select_stock(context)
def handle_data(context, data):
for security in context.portfolio.positions.keys():
if security not in data:
continue
if data[security].close < 0.95 * context.portfolio.positions[security].cost_basis:
order_target_value(security, 0)
if len(context.portfolio.positions) < 10:
buy_list = g.stocks_selected[:]
for buying_stock in buy_list:
if not data.can_trade(buying_stock):
continue
order_target_value(
buying_stock,
context.portfolio.portfolio_value/len(buy_list)
)
def select_stock(context):
stock_list = get_index_stocks('000300.XSHG')
# MACD指标金叉死叉
filter_ = (
lambda security:
talib.MACD(data[security].close, fastperiod=12, slowperiod=26, signalperiod=9)[0][-1] > 0 and
talib.MACD(data[security].close, fastperiod=12, slowperiod=26, signalperiod=9)[0][-1] >
talib.MACD(data[security].close, fastperiod=12, slowperiod=26, signalperiod=9)[1][-1] and
# 底部抬高形态判断
talib.CDLUPSIDEGAP2CROWS(data[security].open, data[security].high, data[security].low, data[security].close)[-1] == 0
)
stock_filtered = list(filter(lambda s: filter_(s), stock_list))
stock_filtered = sorted(
stock_filtered,
key=(
lambda s:get_fundamentals(
query(
valuation.circulating_market_cap
),
security_list=[s]
)[
'circulating_market_cap'
]
),
reverse=True
)
return stock_filtered
## 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。
