问财量化选股策略逻辑
- 今日增仓占比>5%,涨幅<2.6且涨幅>-5
- 酷特智能早晨之星
选股逻辑分析
- 今日增仓占比>5%：表示该股票在最近一段时间内有较多的资金流入，说明市场对该股票的预期较为乐观。
- 涨幅<2.6且涨幅>-5：表示该股票在最近一段时间内的涨幅相对较小，且在负向波动范围内，说明该股票相对较为稳定。
- 酷特智能早晨之星：酷特智能早晨之星是一种技术分析指标，用于识别股票的买入信号。当该指标出现早晨之星形态时，说明该股票可能会出现上涨行情。
有何风险？
- 今日增仓占比>5%：虽然表示市场对该股票的预期较为乐观，但是也有可能是庄家在拉高出货。
- 涨幅<2.6且涨幅>-5：虽然表示该股票相对较为稳定，但是也有可能是股票处于盘整阶段。
- 酷特智能早晨之星：酷特智能早晨之星是一种技术分析指标，其准确性受到市场波动的影响，因此也可能出现误判。
如何优化？
- 可以考虑加入更多的因素来综合分析，例如股票的市盈率、市净率等。
- 可以考虑加入更多的时间周期来分析，例如日线、周线等。
最终的选股逻辑
- 今日增仓占比>5%
- 涨幅<2.6且涨幅>-5
- 市盈率小于30, 市净率小于2
- 酷特智能早晨之星
python代码参考
- 以下代码使用了pandas和ta-lib库进行数据处理和分析
- 代码中使用了酷特智能早晨之星指标，可以通过安装ta-lib库进行导入
import pandas as pd
import talib
def get_stock_data(stock_code):
# 获取股票的历史数据
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/download/{stock_code}', index_col='Date')
df = df[['Adj Close']]
df = df.rename(columns={'Adj Close': stock_code})
df = df.set_index('Date')
return df
def get_stock_tech_analysis_data(stock_code):
# 获取股票的技术分析数据
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/quote/{stock_code}', index_col='Date')
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
df = df.rename(columns={'Open': 'Open Price', 'High': 'High Price', 'Low': 'Low Price', 'Close': 'Closing Price', 'Volume': 'Volume'})
df = df.set_index('Date')
return df
def get_stock_money_flow_data(stock_code):
# 获取股票的资金流动数据
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/moneyflow/{stock_code}', index_col='Date')
df = df[['Net Buy', 'Net Sell', 'Net Change']]
df = df.rename(columns={'Net Buy': 'Net Buy', 'Net Sell': 'Net Sell', 'Net Change': 'Net Change'})
df = df.set_index('Date')
return df
def get_stock_tech_analysis_data_with_asking_price(stock_code):
# 获取股票的技术分析数据，并加入上市日期和当前价格
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/quote/{stock_code}', index_col='Date')
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
df = df.rename(columns={'Open': 'Open Price', 'High': 'High Price', 'Low': 'Low Price', 'Close': 'Closing Price', 'Volume': 'Volume'})
df = df.set_index('Date')
df['上市日期'] = df['Date'].dt.strftime('%Y-%m-%d')
df['当前价格'] = df['Closing Price']
return df
def get_stock_data_with_asking_price(stock_code):
# 获取股票的历史数据，并加入上市日期和当前价格
df = pd.read_csv(f'https://query1.finance.yahoo.com/v7/finance/download/{stock_code}', index_col='Date')
df = df[['Adj Close']]
df = df.rename(columns={'Adj Close': stock_code})
df = df.set_index('Date')
df['上市日期'] = df['Date'].dt.strftime('%Y-%m-%d')
df['当前价格'] = df['Closing Price']
return df
def get
## 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。
