(supermind量化)流通市值50－100亿_、换手率_2%且_9%、至少5根均线重合

问财量化选股策略逻辑

首先，我们定义了以下三个条件作为我们的筛选标准：

1. 股票的换手率必须大于2%且小于9%。
2. 股票的流通市值必须在50亿到100亿之间。
3. 股票的至少5根均线重合。

选股逻辑分析

这个策略的目的是寻找那些具有高换手率、低流通市值且均线重合的股票。这些股票可能具有较高的市场活跃度和低的波动性，因此可能更适合长期投资。

有何风险？

尽管这个策略可能会找到一些具有潜力的股票，但它也有一些风险。首先，如果市场行情不佳，这些股票可能会出现大幅下跌。其次，如果股票的均线重合时间过长，可能会导致股票的价格波动较小，从而降低股票的收益率。

如何优化？

为了优化这个策略，我们可以考虑以下几点：

1. 将筛选标准中的流通市值范围扩大或缩小，以适应不同的市场情况。
2. 将筛选标准中的换手率范围扩大或缩小，以适应不同的市场情况。
3. 将筛选标准中的均线重合时间范围扩大或缩小，以适应不同的市场情况。

最终的选股逻辑

以下是我们最终的选股逻辑：

1. 股票的换手率必须大于2%且小于9%。
2. 股票的流通市值必须在50亿到100亿之间。
3. 股票的至少5根均线重合，并且均线重合时间不少于30天。

python代码参考

以下是使用pandas和numpy库实现该策略的Python代码：

import pandas as pd
import numpy as np

def select_stocks():
    # 读取股票数据
    stocks = pd.read_csv('stock_data.csv')
    
    # 筛选符合条件的股票
    stocks = stocks[(stocks['turnover'] > 2) & (stocks['market_cap'] > 50) & (stocks['market_cap'] < 100) & (stocks['close'].rolling(window=30).apply(lambda x: x.count() >= 5))]
    
    # 计算均线重合时间
    stocks['ma_count'] = stocks['close'].rolling(window=30).apply(lambda x: x.count() >= 5)
    stocks['ma_diff'] = stocks['close'].diff()
    stocks['ma_diff'] = stocks['ma_diff'].fillna(0)
    stocks['ma_count'] = stocks['ma_count'].fillna(0)
    stocks['ma_diff_count'] = stocks['ma_diff'] + stocks['ma_count']
    stocks['ma_diff_count'] = stocks['ma_diff_count'].cumsum()
    stocks['ma_diff_count'] = stocks['ma_diff_count'] / stocks['ma_diff_count'].max()
    stocks['ma_diff_count'] = stocks['ma_diff_count'].apply(lambda x: x if x > 0.5 else 0)
    stocks['ma_diff_count'] = stocks['ma_diff_count'].rolling(window=30).apply(lambda x: x.count() >= 5)
    stocks['ma_diff_count'] = stocks['ma_diff_count'].fillna(0)
    
    # 筛选均线重合时间符合条件的股票
    stocks = stocks[(stocks['ma_diff_count'] > 5) & (stocks['ma_diff_count'].rolling(window=30).apply(lambda x: x.count() >= 5))]
    
    # 返回符合条件的股票
    return stocks

请注意，此代码仅用于演示目的，可能需要根据实际情况进行修改。

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。