(iwencai量化策略)按今日竞价金额排序前5_、规模2亿以上、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

选股逻辑为振幅大于1、规模2亿以上、按今日竞价金额排序前5。将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。

选股逻辑分析

该选股逻辑主要考虑了股票价格波动、市值和竞价金额等因素。通过振幅和市值的筛选,可以选择具有较大波动空间且相对成熟的企业;通过今日竞价金额排序,可以及时了解市场最新的交易情况,从而进一步确认股票买入的决策。

有何风险?

该选股策略主要风险如下:

  1. 只考虑了当天的竞价金额排序,未能全面了解股票的历史交易情况,存在选择不稳定的可能;
  2. 只以股票价格波动和市值为选股筛选因素,未考虑未来的影响因素;
  3. 策略选股鲁棒性不高,容易被股票市场暴动或者特殊事件所影响。

如何优化?

为了优化该选股逻辑,可以考虑以下改进措施:

  1. 建立基于大数据和人工智能的选股模型,通过多维度、多时段的数据分析,寻找更为稳定的股票,提高选股策略鲁棒性;
  2. 引入公司基本面数据,如资产负债表、利润表、经营数据等,综合考量股票行业和未来的发展空间,从多个维度评估企业形象和潜力;
  3. 考虑增加其他选股因素,如财务数据、市场交易数据等,综合判断后再进行选股操作。

最终的选股逻辑

综合以上考虑和分析,我们对该选股逻辑进行了修改和优化,最终的选股逻辑如下:

  • 振幅大于1;
  • 规模2亿以上;
  • 按今日竞价金额排序前5;
  • 引入公司基本面数据,如资产负债表、利润表、经营数据等;
  • 考虑增加其他选股因素,如财务数据、市场交易数据等。

同花顺指标公式代码参考

以下是通达信的相关代码:

/*
   筛选符合条件的股票
*/
SETVOLUNIT(1000);
SETTRADINGDAY(20190101,20210831);
SETFIRSTTRADINGDATEUNLINE(ALLSTOCKS,20190301);
SETTIMEZONE("Asia/Shanghai");

SELECT 
    // 振幅大于1
    IF(
       AMO!=0 
       AND (OPEN*1.0/UPRICE-1)*(OPEN*1.0/LOW-1)>1, 
       1,
       0
    ) AS amplitude_filter,

    // 规模大于2亿
    IF(
       TOTALCAPITAL*10000 >= 2,
       1,
       0
    ) AS capital_filter,

    // 按今日竞价金额排序前5
    IF(
       RANK(JJME) <= 5,
       1,
       0
    ) AS bid_filter,

    // 添加公司基本面指标,如资产负债表、利润表等
    IF(
       // 公司财务数据、行业趋势、政策利好等判断标准
           ,
       1,
       0
    ) AS basic_info_filter,

    // 总体过滤
    IF(
       amplitude_filter AND capital_filter AND bid_filter AND basic_info_filter,
       STOCKRANK_AVG_CAPITAL_30 / SUM(STOCKRANK_AVG_CAPITAL_30) DESC,
       0
    ) AS stock_filter;

Python代码参考

以下是一个完整的选股策略示例代码:

import tushare as ts

def is_selected(code):
    '''
    判断股票是否符合选股策略
    '''
    # 获取股票数据和财务数据
    k_data = ts.pro_bar(ts_code=code, start_date='20190101', end_date='20210831')
    today_df = ts.get_today_ticks(code)[:5]
    basic_data = ts.get_stock_basics().loc[code]

    # 判断参数是否合适
    if 1 <= basic_data['amplitude'] \
            and basic_data['outstanding'] * k_data.iloc[-1]['close'] >= 2e8 \
            and today_df['amount'].sum() > 0 \
            and  all(today_df['amount'] >= today_df.iloc[-1]['amount']):
        return True

    return False

# 获取符合策略要求的股票列表
selected_stocks = ts.get_stock_basics().index[ts.get_stock_basics().apply(is_selected, axis=1)].tolist()

# 根据选股结果进行后续交易操作
for code in selected_stocks:
    pass # 参考其他交易策略

示例代码通过 Tushare 库获取股票数据和基本面数据,结合选股逻辑进行筛选,最终得到符合要求的股票列表。在实际交易中,可根据筛选出的股票列表进行后续的操作。

    ## 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