问财量化选股策略逻辑
选股逻辑为：振幅大于1、按个股热度从大到小排序、今日均线向上发散。将选股逻辑作为第一个标题放入段落中。
选股逻辑分析
该选股策略的逻辑如下：
- 振幅大于1：表示该股票交易活跃度较高；
- 按照个股热度进行排序：表示在符合条件下按照市场的热度进行排序，选择市场认可度高的个股；
- 今日均线向上发散：表示股票近期的价格走势向上并有一定的趋势性。
基于以上选择条件，可以筛选出市场认可度高、活跃度高、且具有趋势性的股票，有助于指导投资决策。
有何风险？
该选股策略可能存在以下风险：
- 均线向上发散指标只能反映股票的短期趋势，难以判断其长期走势；
- 个股热度指标容易受到市场情绪和投资者心理的影响，存在人为炒作、市场异常波动等风险；
- 挑选出来的股票可能会在未来出现行情变化，造成持仓风险。
如何优化？
为了提高选股的准确性和降低风险，可以从以下方面进行优化：
- 在考察个股热度时，需关注到不同行业、不同地区的独特特点，避免受盲目追涨杀跌的影响；
- 均线发散指标只能反映股票的短期趋势，为了更好地捕捉其长期涨势，可以引入其他技术指标进行分析，如MACD、KDJ指标等；
- 在考察股票时，需要同时考虑其基本面和财务数据，全面判断股票的价值潜力和风险。
最终的选股逻辑
综合以上分析和优化，我们最终的选股逻辑为：
在符合振幅大于1、按个股热度从大到小排序、今日均线向上发散等综合条件下，同时考虑股票基本面数据、公司发展情况、风险评估等因素，综合分析选出符合长期价值投资的个股，并进行相应的持有操作。在操作上，考虑到市场波动，进行定期的卖出操作，并及时调整策略，避免风险。
同花顺指标公式代码参考
该策略可引入以下指标进行辅助分析：
- 振幅指标：
振幅：
((HIGH-LOW)/REF(CLOSE,1))>0.01
- 个股热度指标：
个股热度指标：
SORT_BY_DESC(stock_heat/)
- 均线向上发散指标：
MA均线向上发散：
((MA(C,5)>MA(C,10)) AND (MA(C,10)>MA(C,20)) AND (MA(C,20)>MA(C,60)) AND (MA(C,60)>MA(C,120)))
python代码参考
以下是使用Python进行选股的代码实现示例：
import pandas as pd
import tushare as ts
from pyecharts.charts import *
from pyecharts.options import *
# 获取符合条件的股票代码
def get_selected_codes():
codes = ts.get_today_all()["code"].tolist()
selected_codes = []
for code in codes:
df = ts.get_stock_basics()
name = df.loc[code]["name"]
if code.startswith("ST"):
continue
df_daily = ts.get_hist_data(code)
if df_daily.empty or (len(df_daily) < 252):
continue
if (df_daily.iloc[-1]["high"] - df_daily.iloc[-1]["low"]) / df_daily.iloc[-1]["open"] > 0.01:
df_gzxg = ts.get_today_all()
yesterday_close = df_gzxg[df_gzxg["code"]==code]["settlement"].values[0]
if ((df_daily.iloc[-2]["high"] > yesterday_close * 1.098) or (df_daily.iloc[-2]["low"] < yesterday_close)):
continue
if ((df_daily.iloc[-1]["close"] > df_daily.iloc[-1]["ma5"]) and
(df_daily.iloc[-2]["close"] > df_daily.iloc[-2]["ma5"]) and
(df_daily.iloc[-3]["close"] > df_daily.iloc[-3]["ma5"]) and
(df_daily.iloc[-4]["close"] > df_daily.iloc[-4]["ma5"]) and
(df_daily.iloc[-5]["close"] > df_daily.iloc[-5]["ma5"]) and
(df_daily.iloc[-1]["ma5"] > df_daily.iloc[-2]["ma5"]) and
(df_daily.iloc[-2]["ma5"] > df_daily.iloc[-3]["ma5"]) and
(df_daily.iloc[-3]["ma5"] > df_daily.iloc[-4]["ma5"]) and
(df_daily.iloc[-4]["ma5"] > df_daily.iloc[-5]["ma5"]) and
(df_daily.iloc[-1]["ma10"] > df_daily.iloc[-2]["ma10"]) and
(df_daily.iloc[-2]["ma10"] > df_daily.iloc[-3]["ma10"]) and
(df_daily.iloc[-3]["ma10"] > df_daily.iloc[-4]["ma10"]) and
(df_daily.iloc[-4]["ma10"] > df_daily.iloc[-5]["ma10"]) and
(df_daily.iloc[-1]["ma20"] > df_daily.iloc[-2]["ma20"]) and
(df_daily.iloc[-2]["ma20"] > df_daily.iloc[-3]["ma20"]) and
(df_daily.iloc[-3]["ma20"] > df_daily.iloc[-4]["ma20"]) and
(df_daily.iloc[-4]["ma20"] > df_daily.iloc[-5]["ma20"]) and
(df_daily.iloc[-1]["ma60"] > df_daily.iloc[-2]["ma60"]) and
(df_daily.iloc[-2]["ma60"] > df_daily.iloc[-3]["ma60"]) and
(df_daily.iloc[-3]["ma60"] > df_daily.iloc[-4]["ma60"]) and
(df_daily.iloc[-4]["ma60"] > df_daily.iloc[-5]["ma60"]) and
(df_daily.iloc[-1]["ma120"] > df_daily.iloc[-2]["ma120"]) and
(df_daily.iloc[-2]["ma120"] > df_daily.iloc[-3]["ma120"]) and
(df_daily.iloc[-3]["ma120"] > df_daily.iloc[-4]["ma120"]) and
(df_daily.iloc[-4]["ma120"] > df_daily.iloc[-5]["ma120"])):
selected_codes.append(code)
stock_heat_dict = {}
for code in selected_codes:
df = ts.get_realtime_quotes(code)
stock_heat = int(df["volume"]) * float(df["price"])
stock_heat_dict[code] = stock_heat
sorted_stock_heat = sorted(stock_heat_dict.items(), key=lambda x: x[1], reverse=True)
selected_codes = [x[0] for x in sorted_stock_heat[:100]]
return selected_codes
# 获取股票基本面数据
def get_stocks_info(codes):
info_dict = {}
for code in codes:
df = ts.get_stock_basics()
name = df.loc[code]["name"]
info_dict[name] = {
"industry": df.loc[code]["industry"],
"area": df.loc[code]["area"],
"pe": df.loc[code]["pe"],
"pb": df.loc[code]["pb"]
}
return info_dict
# 选股策略
def stock_selection():
selected_codes = get_selected_codes()
selected_info = get_stocks_info(selected_codes)
return selected_info
# 可视化展示
def show(selected_info):
data = []
for name, info in selected_info.items():
data.append((name, info["industry"], info["area"], info["pe"], info["pb"]))
# 绘制表格
chart = (
Table()
.add(headers=["股票名称", "行业", "地区", "市盈率", "市净率"], rows=data)
.set_global_opts(title_opts=opts.ComponentTitleOpts(title="股票挑选结果"))
)
return chart
# 选出符合条件的股票
selected_info = stock_selection()
print("符合条件的股票：", selected_info)
# 展示结果
chart = show(selected_info)
chart.render()
其中，在代码中需要根据实际需求进行相应的设置。
## 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。
