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根均线重叠的股票；
- 按个股热度从大到小排序。
选股逻辑分析
该选股策略从技术面考虑，振幅大于1意味着股票波动性较大，在一定程度上可以体现股票热度和市场情绪。至少5根均线重叠意味着股票短期和长期趋势都比较明显。按个股热度从大到小排序，则希望优先选择市场投资者比较感兴趣的标的。
有何风险？
该选股策略相对于其他选股策略较为简单，只考虑了技术面因素，没有考虑公司基本面质量、行业等因素，因此其选出来的标的可能存在一定程度的局限性。
如何优化？
为了增加选股的准确性和稳健性，可以引入其他技术指标和基本面指标辅助选股，并考虑加入市值、流通股本等因素进行排名。同时，可以考虑不同市场阶段的股票热度因素，例如在牛市或熊市中，股票热度因素的影响可能会有所不同。
最终的选股逻辑
综合上述分析，我们可以完善该选股策略为：
- 振幅大于1；
- 至少5根均线重叠；
- 按个股热度从大到小排序。
同花顺指标公式代码参考
- 无通达信指标公式。
python代码参考
import pandas as pd
import tushare as ts
import talib
def get_stock_pool(date):
# 获取所有股票代码
df = ts.get_stock_basics()
codes = df.index.tolist()
result = pd.DataFrame()
for code in codes:
# 上市不足60天的股票忽略
if (pd.to_datetime(date) - pd.to_datetime(df.loc[code]['timeToMarket'])).days <= 60:
continue
bars_all = ts.get_k_data(code, '2022-01-01', date)
if bars_all is None or bars_all.empty or len(bars_all) < 2:
continue
high, low, close = bars_all['high'].values, bars_all['low'].values, bars_all['close'].values
amplitude = (high - low) / close[:-1]
is_amplitude_large = amplitude.max() > 0.008
# 至少5根均线重叠
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_count = len(set([ma[-1] for ma in [ma_5, ma_10, ma_20, ma_30]]))
is_ma_converge = ma_count >= 5
if is_amplitude_large and is_ma_converge:
result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars_all['close'].iloc[-1], 'industry': df.loc[code]['industry'], 'vol': df.loc[code]['volume']}, ignore_index=True)
result = result.sort_values(by=['vol'], ascending=False)
return result
注：该函数用于在某个日期获取备选股票池，返回dataframe，包括代码，名称，最新价格，行业和热度。其中涉及的均线、振幅等指标可以参考TALib。
## 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。
