(iwencai量化策略)macd零轴以上_、至少5根均线重合的股票、振幅大于1

用户头像神盾局量子研究部
2023-08-31 发布

问财量化选股策略逻辑

该选股策略包括三个条件:

  • 振幅大于1
  • 至少5根均线重合的股票
  • MACD零轴以上

选股逻辑分析

该选股策略综合考虑了技术面因素,振幅大于1表示股票波动剧烈;至少5根均线重合的股票,表示股票处于一个均衡的状态;MACD零轴以上则表示股票的短期趋势上涨。该选股策略兼顾了股票的波动特性和短期趋势。

有何风险?

该选股策略的风险在于忽略了基本面因素,如公司财报等。此外,MACD只是一个技术指标,容易受到市场情绪等非技术因素的影响,因此有选出低质量股票的风险。

如何优化?

可以增加基本面因素的筛选条件,如财务指标等,从而更加全面地评估股票价值。同时,可以考虑加入其它技术指标,如RSI等,以提高选股的准确性和稳定性。

最终的选股逻辑

综合考虑以上因素,完善后的选股逻辑为:

  • 振幅大于1,市场对波动剧烈的股票更感兴趣;
  • 5日均线、10日均线、20日均线、30日均线、60日均线重合,表示股票处于均衡状态;
  • MACD柱线出现,且短期趋势上涨。

同花顺指标公式代码参考

  • 振幅大于1:(high-low)/low > 0.01
  • 至少5根均线重合的股票:MA5=MA(CLOSE,5),MA10=MA(CLOSE,10),MA20=MA(CLOSE,20),MA30=MA(CLOSE,30),MA60=MA(CLOSE,60),DRAWLINE(MA5=MA5 AND MA10=MA10 AND MA20=MA20 AND MA30=MA30 AND MA60=MA60);
  • MACD零轴以上:DIF=EMA(CLOSE,12)-EMA(CLOSE,26),DEA=MA(DIF,9),MACD=(DIF-DEA)*2,HLINE(0),DRAWKLINE(MACD>0);

Python代码参考

import pandas as pd
import tushare as ts
import talib

df = ts.get_stock_basics()
codes = df.index.tolist()

result = pd.DataFrame()

for code in codes:
    is_amplitude_large = False
    is_ma_converge = False
    is_macd_above_zero = False

    bars = ts.get_k_data(code, ktype='D')
    
    if bars is not None:
        is_amplitude_large = (bars['high'].iloc[-1] - bars['low'].iloc[-1])/bars['low'].iloc[-1] > 0.01
        
        # 至少5根均线重合的股票
        close = bars['close'].values
        ma_5 = talib.MA(close, timeperiod=5)
        ma_10 = talib.MA(close, timeperiod=10)
        ma_20 = talib.MA(close, timeperiod=20)
        ma_30 = talib.MA(close, timeperiod=30)
        ma_60 = talib.MA(close, timeperiod=60)
        ma_count = len(set([ma[-1] for ma in [ma_5, ma_10, ma_20, ma_30, ma_60]]))
        is_ma_converge = ma_count >= 5
        
        # MACD零轴以上
        macd, signal, hist = talib.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)
        is_macd_above_zero = hist[-1] > 0

        if is_amplitude_large and is_ma_converge and is_macd_above_zero:
            # 考虑更多的基本面因素,并形成一个严密的选股体系
            result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars['close'].iloc[-1], 'pb': df.loc[code]['pb'], 'pe': df.loc[code]['pe'], 'industry': df.loc[code]['industry']}, ignore_index=True)

result = result.sort_values(by=['industry'], ascending=False)
    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论

需要帮助?

试试AI小助手吧