(supermind量化)流通市值50-100亿_、至少5根均线重合的股票、振幅大于1

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

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
  • 流通市值在50-100亿之间,表示较好的市场资金活跃度和市场缺口空间

选股逻辑分析

该选股策略同样侧重技术面,通过挖掘技术面的共同因素,来更准确地判断个股是否处于超卖状态。同时,加入了流通市值的要求,确保个股有相对活跃的市场资金和较大的市场空间。

有何风险?

同样会忽略企业基本面表现和行业发展趋势等因素,盲目选股,存在挑选不理想的风险。同时,市场资金的波动性也可能影响个股价格,加大风险。

如何优化?

同样可以综合考虑技术面和基本面等多个因素的复合指标,以更全面的视角进行选股,减少市场波动风险。同时,考虑引入早期行业发展的眼光,进行更加全面的股票筛选。

最终的选股逻辑

综合以上因素修改后的选股逻辑为:

  • 振幅大于1,市场对于波动剧烈的个股更感兴趣;
  • 5日均线、10日均线、20日均线、30日均线、60日均线重合,表示股票处于相对稳定状态;
  • 流通市值在50-100亿之间,表明股票有较大市场活跃度和市场缺口空间;
  • 综合考虑技术面和基本面等因素,衡量资产质量、盈利能力和财务结构等,实际表现优秀的股票;
  • 长线市场趋势处于上升状态,标明股票正处于使用趋势之中。

同花顺指标公式代码参考

同样的,流通市值的公式也可以通过编写高级函数来实现,通达信中计算流通市值的公式如下:

CIRCULAR_MV = C * N / 10000 / 10000

也可以通过技术指标函数中的API进行计算。

python代码参考

import pandas as pd
import tushare as ts
import talib

df = ts.get_stock_basics()
codes = df.index.tolist()

result = pd.DataFrame()

for code in codes:
    is_amplitude_large = False
    is_ma_converge = False
    is_market_value_valid = False
    is_good_fundamentals = False
    
    bars = ts.get_k_data(code, ktype='D')
    
    if bars is not None:
        # 振幅大于1
        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
        
        # 流通市值在50-100亿之间
        market_value = df.loc[code]['totals'] * bars['close'].iloc[-1]
        is_market_value_valid = 50 <= market_value / 100000000 <= 100
        
        # 其他技术指标和基本面指标表现优秀
        is_good_fundamentals = True # 根据其他指标进行判断
        
        if is_amplitude_large and is_ma_converge and is_market_value_valid and is_good_fundamentals:
            result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars['close'].iloc[-1], 'market_value': market_value, 'industry': df.loc[code]['industry']}, ignore_index=True)

result = result.sort_values(by=['industry'], ascending=False)
    ## 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