问财量化选股策略逻辑
- 选取至少5根均线重合的股票
- 股价为18.5元
- 换手率>2%且<9%
选股逻辑分析
- 选取至少5根均线重合的股票，意味着该股票的短期和中期趋势较为稳定，同时可以减少市场噪音的影响。
- 股价为18.5元，这个条件是为了筛选出相对便宜的股票，避免选择过于昂贵的股票。
- 换手率>2%且<9%，这个条件是为了筛选出相对活跃的股票，避免选择过于冷门的股票。
有何风险？
- 选取至少5根均线重合的股票，可能会导致过于保守的策略，错过一些短期的机会。
- 股价为18.5元，可能会导致筛选出一些过于便宜的股票，这些股票可能存在一些潜在的问题。
- 换手率>2%且<9%，可能会导致筛选出一些过于活跃的股票，这些股票可能存在一些交易风险。
如何优化？
- 可以考虑加入更多的均线来筛选股票，例如10日、20日、60日等，以获得更稳定的趋势。
- 可以考虑加入一些其他的条件来筛选股票，例如市盈率、市净率等，以获得更全面的分析。
- 可以考虑加入一些技术指标来筛选股票，例如MACD、布林线等，以获得更准确的趋势判断。
最终的选股逻辑
- 选取至少5根均线重合的股票，意味着该股票的短期和中期趋势较为稳定，同时可以减少市场噪音的影响。
- 股价为18.5元，这个条件是为了筛选出相对便宜的股票，避免选择过于昂贵的股票。
- 换手率>2%且<9%，这个条件是为了筛选出相对活跃的股票，避免选择过于冷门的股票。
- 可以考虑加入更多的均线来筛选股票，例如10日、20日、60日等，以获得更稳定的趋势。
- 可以考虑加入一些其他的条件来筛选股票，例如市盈率、市净率等，以获得更全面的分析。
- 可以考虑加入一些技术指标来筛选股票，例如MACD、布林线等，以获得更准确的趋势判断。
python代码参考
-
import talib
-
import pandas as pd
-
import numpy as np
-
def moving_average(df, n):
-
df['MA'] = talib.MA(df['close'], n) -
return df
-
-
def bollinger_bands(df, n):
-
df['upper'] = talib.BBANDS(df['close'], n, upperband=2, middleband=1, lowerband=1) -
df['lower'] = talib.BBANDS(df['close'], n, upperband=2, middleband=1, lowerband=1) -
return df
-
-
def select_stock(df):
-
df = moving_average(df, 5) -
df = moving_average(df, 10) -
df = moving_average(df, 20) -
df = moving_average(df, 60) -
df = bollinger_bands(df, 5) -
df = bollinger_bands(df, 10) -
df = bollinger_bands(df, 20) -
df = bollinger_bands(df, 60) -
df = df[df['close'] > df['MA']] -
df = df[df['close'] < df['MA']] -
df = df[df['close'] > df['upper']] -
df = df[df['close'] < df['lower']] -
df = df[df['MA'] - 2 * df['upper'] > df['close']] -
df = df[df['MA'] + 2 * df['lower'] > df['close']] -
df = df[df['close'] - 2 * df['upper'] < df['MA']] -
df = df[df['close'] + 2 * df['lower'] < df['MA']] -
df = df[df['close'] - df['MA'] > 2 * df['upper']] -
df = df[df['close'] - df['MA'] < 2 * df['lower']] -
df = df[df['close'] - df['MA'] > 2 * df['lower']]
-
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。
