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；
- 机构动向大于0。
选股逻辑分析
继续采用技术面指标进行选股，策略较为严格。振幅大于1和至少5根均线重合的条件可过滤掉较为波动的股票，机构动向大于0则能更好地挖掘场内资金流向。这些指标有助于判断股票的潜在收益。
有何风险？
该选股方法没有考虑公司基本面和未来发展趋势等因素，也没有对不同市场环境下的表现进行过详细的测试，存在选到不理想股票的风险。同时，机构动向只能作为参考，可能出现假象或实际效果不佳的情况。
如何优化？
可以增加基本面指标和量价分析等技术指标来进一步筛选股票，综合考虑各方面的因素。在进行回测时，要注意不同市场环境下策略的表现，避免过度拟合。同时，可以探索机器学习等方法来构建更加精准的选股模型。
最终的选股逻辑
基于以上考虑，我们对该选股策略进行如下修改：
- 振幅大于1；
- 5日均线、10日均线、20日均线、30日均线、60日均线重合；
- 机构动向大于0；
- 综合考虑公司的基本面和未来发展趋势等因素。
同花顺指标公式代码参考
- 振幅指标公式：(HIGH - LOW) / REF(CLOSE, 1)，其中HIGH表示当日最高价，LOW表示当日最低价，REF表示取历史数据的函数。
- 均线指标公式：MA(CLOSE, N)，其中CLOSE表示当日收盘价，N表示均线周期，MA表示计算均值的函数。
- 机构动向指标公式：SUM(VOL * (2 * CLOSE - HIGH - LOW) / (HIGH - LOW + 0.0001), 0)，其中VOL表示成交量，HIGH、LOW和CLOSE分别表示当日的最高价、最低价和收盘价，SUM表示求和的函数。
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_institution_trend_up = False
bars = ts.get_k_data(code, '2022-01-01', '2022-12-31') # 获取2022年的日线K线图
if bars is not None and len(bars) > 1:
# 振幅大于1
high, low, close = bars['high'].values, bars['low'].values, bars['close'].values
amplitude = (high - low) / close[:-1]
is_amplitude_large = amplitude.max() > 0.01
# 至少5根均线重合的股票
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
# 机构动向大于0
vol = bars['volume'].values
tr = talib.TRANGE(high, low, close)
ad = talib.AD(high, low, close, vol)
mdi = 100 * talib.SUM(vol * (2 * close - high - low) / (tr + 0.0001), timeperiod=6) / talib.SUM(vol, timeperiod=6)
mdi_trend = talib.MA(close, timeperiod=5) > talib.MA(close, timeperiod=20) # 短期上升趋势
is_institution_trend_up = mdi[-1] > mdi[-2] and mdi_trend[-1] and mdi_trend[-2] and mdi_trend[-3]
if is_amplitude_large and is_ma_converge and is_institution_trend_up:
result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars['close'].iloc[-1], '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。
