(iwencai选股策略)近一个月内有过涨停_、昨日竞价换手率大于0

用户头像神盾局量子研究部
2023-09-01 发布

问财量化选股策略逻辑

选股逻辑:在RSI小于65、昨日竞价换手率大于0.26且近一个月内有过涨停的情况下,进行选股。

选股逻辑分析

该选股策略综合考虑了技术指标、市场情绪、资金流向和市场热度。筛选出过涨停的股票可能具有一定的市场关注度和投机情绪,同时综合考虑了技术指标和资金流向,选股逻辑比较完整。

有何风险?

该选股策略可能会忽略了股票的基本面因素,过于依赖于市场情绪和技术分析的指标,存在选股不稳定和强度不足的风险。同时,过于依赖于过去市场的大涨或涨停情况,忽略了当前市场的特殊情况。

如何优化?

1.引入基本面因素:可以综合考虑不同基本面指标,如市盈率、市净率、资产负债率等,并增加不同指标之间的权重。

2.增加技术分析的指标:可以增加其他的技术指标如均线、MACD等,提高筛选的精度。

3.加入自然语言处理技术:可以使用自然语言处理的技术,对市场公告、新闻等文字信息进行处理,筛选关键词或词汇进行分析,从而更好地辅助选股。

最终的选股逻辑

选股标准为RSI小于65、昨日竞价换手率大于0.26且近一个月内有过涨停的股票。

同花顺指标公式代码参考

// RSI小于65
COND1 = RSI(C, 14) < 65;

// 昨日竞价换手率大于0.26
COND2 = (AVGVOL_J != 0) AND (VOL_J / AVGVOL_J > 0.26);

// 近一个月内有过涨停
VAR1:COUNT3 = COUNT(C > REF(HIGH,1),20);
COND3 = VAR1 > 0;

// 选取符合条件的股票
SELECT ((COND1 AND COND2) AND COND3);

python代码参考

import tushare as ts
from datetime import date
import numpy as np

def select_stocks(stocks):
    res = []
    for stock in stocks:
        try:
            if stock.startswith('60') and stock[0:6] != '600000': # 排除北京的A股企业
                continue
            price_data = ts.get_hist_data(stock, start='2021-01-01')
            if price_data is None:
                continue
            rsi_data = ta.RSI(price_data['close'].values, timeperiod=14)
            if rsi_data[-1] > 65: # 筛选RSI的值
                continue
            yesterday_data = ts.get_hist_data(stock, ktype='D', start='2021-01-01').iloc[-2]
            turnover = yesterday_data['volume'] * yesterday_data['close'] / ts.get_stock_basics().loc[stock]['circulating_a']
            if turnover < 0.26: # 筛选昨日竞价换手率
                continue
            start_date = date.today().replace(day=1)
            price_data = ts.get_hist_data(stock, start=start_date.strftime('%Y-%m-%d'), end=date.today().strftime('%Y-%m-%d'))
            if price_data is None or len(price_data) < 21:
                continue
            count_data = ta.COUNT(price_data['close'].values > ta.REF(price_data['high'].values, 1), timeperiod=20)
            if count_data[-1] == 0: # 筛选过涨停
                continue
            res.append((float(bid_data.loc[0]['price']), stock))
        except Exception as e:
            print(e)
            continue
    res.sort(reverse=True)
    return [i[1] for i in res]

stocks = np.array(ts.get_stock_basics().index)
res = select_stocks(stocks)
print(res)

注意:同样需要对于数据类型和异常进行额外判断。为了减少请求量,可以在获取板块数据时传入exchange参数(当前仅支持sse、szse和hk),按需获取相应的数据。同时考虑到数据只需对app上给出的近一个月内涨停进行筛选,将筛选条件中的COUNT3改为COUNT,并调整时间。

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论

需要帮助?

试试AI小助手吧