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
- 今日增仓占比>5%
选股逻辑分析
该选股策略是基于技术面和市场面的综合考虑。振幅大于1表示股票波动剧烈；至少5根均线重合的股票，表示股票处于一个均衡的状态；今日增仓占比>5%则表示股票市场上的买盘力量较强。该选股策略注重找寻处于技术面和市场面均较好的品种。
有何风险？
该选股策略忽略了基本面因素，如公司财务指标等，可能会忽略优质股票。此外，今日增仓占比不能单独作为选股标准，需要结合其他市场指标考虑，否则可能会有较多的虚假信号。
如何优化？
结合基本面因素，如财务指标、行业情况等，更全面地评估股票的价值，从而选择更优质的股票。此外，可以将增仓占比作为市场情绪的一个指标来考虑，与其他市场指标一同进行选股。
最终的选股逻辑
综合考虑以上因素，完善后的选股逻辑为：
- 振幅大于1，市场对波动剧烈的股票更感兴趣；
- 5日均线、10日均线、20日均线、30日均线、60日均线重合，表示股票处于均衡状态；
- 今日增仓占比>5%，表示股票市场上的买盘力量较强。
同花顺指标公式代码参考
- 振幅大于1：(high-low)/low > 0.01
- 至少5根均线重合的股票：同上
- 今日增仓占比>5%：INCREASE,5,VOL>5,AVOL>0
Python代码参考
import pandas as pd
import tushare as ts
import baostock as bs
import talib
df = ts.get_stock_basics()
codes = df.index.tolist()
start_date = '2021-01-01'
end_date = '2021-12-31'
# 登陆系统
lg = bs.login()
result = pd.DataFrame()
for code in codes:
is_amplitude_large = False
is_ma_converge = False
is_trade_fit = False
bars = ts.get_k_data(code, ktype='D')
if bars is not None:
is_amplitude_large = (bars['high'].iloc[-1] - bars['low'].iloc[-1])/bars['low'].iloc[-1] > 0.01
# 至少5根均线重合的股票
close = bars['close'].values
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
# 今日增仓占比>5%
bs_code = df.loc[code]['code'] + '.' + df.loc[code]['sse']
rs = bs.query_history_k_data_plus(bs_code, 'date,code,open,high,low,close,volume,amount,increase,volume_ratio,turn,trade_status', start_date=start_date, end_date=end_date, frequency='d', adjustflag='3')
if rs.error_code == '0':
result_list = []
while (rs.next()):
result_list.append(rs.get_row_data())
data = pd.DataFrame(result_list, columns=rs.fields).set_index('date')
data[['open', 'high', 'low', 'close', 'volume', 'amount', 'increase', 'volume_ratio', 'turn']] = data[['open', 'high', 'low', 'close', 'volume', 'amount', 'increase', 'volume_ratio', 'turn']].apply(pd.to_numeric)
today_increase = data.tail(1)['increase'].values[0]
today_vol = data.tail(1)['volume_ratio'].values[0]
last_vol = data['volume_ratio'].iloc[-2]
if today_increase > 5 and (today_vol > 5 and last_vol > 0):
is_trade_fit = True
if is_amplitude_large and is_ma_converge and is_trade_fit:
result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars['close'].iloc[-1], 'pb': df.loc[code]['pb'], 'pe': df.loc[code]['pe'], 'industry': df.loc[code]['industry']}, ignore_index=True)
result = result.sort_values(by=['industry'], ascending=False)
bs.logout()
## 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。
