问财量化选股策略逻辑
该选股策略包括四个条件：
- 振幅大于1；
- 至少5根均线重合；
- 底部抬高；
- 反包。
选股逻辑分析
该选股策略将主要关注股价反转的信号，重点考虑股票底部的判断。振幅和均线是常用的技术指标，有利于捕捉短期波动，帮助找到支撑位和阻力位。底部抬高则是一种典型的买点信号，它意味着股票将可能会反转上涨。反包则确保筛选结果的可靠性。
有何风险？
由于该选股策略一定程度上是基于技术指标的，忽略了一些公司基本面等因素对股价的影响。同时，由于底部抬高是一种一定程度上主观的判断，也有可能出现破位后反转不彻底的情况。
如何优化？
为了进一步弥补该选股策略的不足，可以适当加入公司基本面、行业趋势等因素的考量。同时，也可以通过与其他技术指标结合使用，如MACD、KD等指标的配合，来增强股票抬头的判断。此外，在底部且股票有足够低位证券商研报支持的情况下，可以适当放宽对底部抬高的要求。
最终的选股逻辑
综上所述，建议该选股策略的逻辑为：
- 振幅大于1；
- 至少5根均线重合；
- 底部抬高；
- 反包；
- 加入公司基本面和行业趋势等因素的综合评估；
- 应对需要放宽对底部抬高判断的情况，在股票有足够低位证券商研报支持的情况下。
同花顺指标公式代码参考
- 振幅：(最高价-最低价)/收盘价
- 均线：MA(CLOSE，N)
- 底部抬高：底部抬高是一种主观判断，可结合其他形态和指标，如三重底、趋势线等
- 反包：和上面的选股逻辑一样
python代码参考
import pandas as pd
import tushare as ts
import talib
def get_stock_pool(date, low_price, ma_count):
# 获取所有股票代码
df = ts.get_stock_basics()
codes = df.index.tolist()
result = pd.DataFrame()
for code in codes:
# 振幅大于1
bars_all = ts.get_hist_data(code, start='2021-01-01')
close = bars_all['close'].values
high = bars_all['high'].values
low = bars_all['low'].values
amplitude = (high - low) / close
if amplitude[-1] < 0.01:
continue
# 均线
ma_5 = talib.MA(close, timeperiod=5)
ma_10 = talib.MA(close, timeperiod=10)
ma_20 = talib.MA(close, timeperiod=20)
ma_count = len(set([ma[-1] for ma in [ma_5, ma_10, ma_20]]))
if ma_count < 5:
continue
# 底部抬高
lowest = talib.MIN(low, timeperiod=6)[-1]
if close[-1] < lowest * 1.02:
continue
# 反包
if (close[-1] < close[-2] and close[-2] < close[-3] and close[-3] < close[-4]):
continue
# 加入公司基本面/行业趋势等因素进行过滤
# 选出的股票加入结果中
price = close[-1]
if price < low_price[0] or price > low_price[1]:
continue
result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': price, 'vol': df.loc[code]['volume']},ignore_index=True)
result = result.sort_values(by=['vol'], ascending=False)
return result
注：代码仅供参考，具体选股逻辑和细节可根据实际需求进行调整。
## 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。
