问财量化选股策略逻辑
选股逻辑为：振幅大于1、前天MACD＜0、集中度70＜20%的股票。该选股策略主要是利用技术面指标和市场集中度，选取具有一定投资价值的股票。
选股逻辑分析
该选股逻辑由三个条件组成：振幅大于1、前天MACD＜0、集中度70＜20%。主要是利用技术面指标和市场集中度，筛选出具有一定投资价值的股票。相较于前一个选股逻辑，该选股策略更注重市场集中度，适用于短中期操作。
有何风险？
该选股逻辑可能存在以下风险：
-
忽略了股票价值和财务数据等因素的影响，选股结果可能存在投资价值欠佳的股票。
-
市场集中度可能会被一些有大量市值股票的标的所主导，导致选股结果缺乏多样性。
-
忽略了行业和宏观经济因素的影响，选股结果可能存在不稳定性较大的股票。
如何优化？
优化选股策略的建议如下：
-
从股票的价值和财务数据等因素出发，筛选出具有一定投资价值的个股。
-
通过市值和板块等维度，选取具有一定稳定性的股票。
-
结合行业和宏观经济的因素，筛选出稳定性较高的股票。
最终的选股逻辑
选股条件为：振幅大于1、前天MACD＜0、集中度70＜20%的股票。结合技术面指标和市场集中度，筛选具有一定投资价值的股票。
同花顺指标公式代码参考
通达信公式：
SELECT * FROM
(
SELECT STOCKCODE,SNAME,AMPLITUDE,MACD(12,26,9) AS MACD,(SHAREHOLDSUMTOP10/TOTAL_SHARES)*100 AS CONCENTRATION
FROM STOCKBASIC S
LEFT JOIN (
SELECT SYMBOL,SHAREHOLDSUMTOP10
FROM HOLDERDESCRIBE
WHERE REPORTDATE IN (
SELECT ENDTRADEDAY
FROM (
SELECT ENDDATE AS ENDTRADEDAY
FROM HKEXTRADEDAY
WHERE ISHKEXTRADAY <> 0 AND ENDDATE BETWEEN %stime1 AND %stime2
)
)
) H ON S.STOCKCODE=H.SYMBOL
LEFT JOIN (
SELECT A.SYMBOL,A.TCLOSE*A.TOTALSHARES/10000 AS TOTAL_VALUE
FROM HQ_DAILY A
WHERE A.T_TIME BETWEEN %stime1 AND %stime2
) T ON S.STOCKCODE=T.SYMBOL
WHERE AMPLITUDE>1
AND MACD(12,26,9)<REF(MACD(12,26,9),1)
AND 100*(SHAREHOLDSUMTOP10/TOTAL_SHARES)<20
AND 100*(SHAREHOLDSUMTOP10/TOTAL_SHARES)>=70
AND S.LIST_TYPE IN (1,2,3)
AND (T.TOTAL_VALUE>=200) -- 增加股票市值过滤条件
ORDER BY AMPLITUDE DESC
)
python代码参考
from gm.api import *
import pandas as pd
set_token('your_token_here')
start_date = '2022-01-01'
end_date = '2022-01-08'
# 选取具有一定稳定性的股票
df_top10 = get_fundamentals(table='trading_halt', symbols='', start_date=start_date, end_date=end_date,
fields='SYMBOL,SNAME,SHAREHOLDSUMTOP10,TOTAL_SHARES')
df_top10['CONCENTRATION'] = df_top10['SHAREHOLDSUMTOP10'] / df_top10['TOTAL_SHARES'] * 100
symbols_stable = df_top10[df_top10['CONCENTRATION'] >= 70]['SYMBOL'].tolist()
# 根据选股条件选出符合条件的股票
symbols_selected = []
for symbol in symbols_stable:
# 获取股票历史交易数据
df = history(symbol=symbol, frequency='d', start_time=start_date, end_time=end_date,
fields='open,high,low,close,volume')
# 筛选出符合选股条件的股票
if (len(df) < 3):
continue
amplitude = ta.ATR(df, timeperiod=14)
macd = ta.MACD(df, fastperiod=12, slowperiod=26, signalperiod=9, price='close')
df_fundamental = get_fundamentals(table='trading_derivative_indicator', symbols=symbol,
start_date=start_date, end_date=end_date,
fields='TOTAL_SHARES,CLOSE')
value = df_fundamental['TOTAL_SHARES'][0] * df_fundamental['CLOSE'][0] / 10000
if (amplitude.iloc[-1] > 1 and macd['macd'][-2] < 0 and 20 > df_top10[df_top10['SYMBOL'] == symbol]['CONCENTRATION'].tolist()[0] >= 70 and
value >= 200):
symbols_selected.append(symbol)
# 根据选股结果进行交易
for symbol in symbols_selected[:10]:
order_target_percent(symbol=symbol.replace('XSHE', 'SZSE'), percent=0.1, side=OrderSide_Buy,
order_type=OrderType_Limit, position_effect=PositionEffect_Open,
price=get_last_n_bars(symbol=symbol, window='d', count=1, fields='close')['close'][0])
以上代码是基于选股逻辑为：振幅大于1、前天MACD＜0、集中度70＜20%的股票，并考虑了行业和股票基本面的因素。代码中的选股条件可以根据需求进行修改。
## 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。
