(supermind量化)流通市值大于100亿元_、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根均线重叠;
  • 流通市值大于100亿元。

选股逻辑分析

振幅大于1、均线重合可以反映出股票价格的波动稳定性,而流通市值则反映出股票流通性及公司规模,从而选择流动性好、公司规模较大的股票。

有何风险?

该选股策略也存在两个主要风险:

  • 选股策略中忽略了公司的基本面情况,对于一些基本面不稳定的股票,可能会导致选股亏损;
  • 在选取满足条件的股票后,还需要结合公司经营状况及前景进行综合考虑,否则投资风险依然存在。

如何优化?

与前一选股策略类似,可以加入一些基本面的衡量指标进行补充,如市盈率、市净率等指标,以更加全面地分析股票的价值,减少风险。

最终的选股逻辑

考虑到基本面因素,我们建议将选股策略的逻辑确定为:

  • 振幅大于1;
  • 至少5根均线重叠;
  • 流通市值大于100亿元;
  • 市盈率和市净率处于一定范围内。

同花顺指标公式代码参考

无同花顺指标库公式可直接调用,需要自己编写脚本实现。

python代码参考

import pandas as pd 
import tushare as ts 
import talib

def get_stock_pool(date):
    # 获取所有股票代码
    df = ts.get_stock_basics()
    codes = df.index.tolist()

    result = pd.DataFrame()

    for code in codes:
        # 上市不足60天的股票忽略
        if (pd.to_datetime(date) - pd.to_datetime(df.loc[code]['timeToMarket'])).days <= 60:
            continue

        # 规模筛选
        total_mv = df.loc[code]['totalAssets'] * df.loc[code]['pb']
        if total_mv < 1e10:
            continue

        bars_all = ts.get_k_data(code, '2022-01-01', date)

        if bars_all is None or bars_all.empty or len(bars_all) < 2:
            continue
    
        # 20日、60日和120日均线
        close = bars_all['close'].values
        ma_20 = talib.MA(close, timeperiod=20)
        ma_60 = talib.MA(close, timeperiod=60)
        ma_120 = talib.MA(close, timeperiod=120)
        is_ma_up = ma_20[-1] > ma_60[-1] > ma_120[-1]

        # 5日、10日和20日均线
        ma_5 = talib.MA(close, timeperiod=5)
        ma_10 = talib.MA(close, timeperiod=10)
        ma_20 = talib.MA(close, timeperiod=20)
        ma_count = len(set([ma[-1] for ma in [ma_5, ma_10, ma_20]]))
        is_ma_converge = ma_count >= 5

        # 市值
        mktcap = df.loc[code]['mktcap']
        is_mktcap = mktcap > 1e10

        # 市盈率、市净率
        if df.loc[code]['pe'] < 30 and df.loc[code]['pb'] < 5:
            is_fundamentals = True
        else:
            is_fundamentals = False

        if is_ma_converge and is_ma_up and is_mktcap and is_fundamentals:
            result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': bars_all['close'].iloc[-1], 'vol': df.loc[code]['volume']},ignore_index=True)

    result = result.sort_values(by=['vol'], ascending=False)
    return result

注:代码仅供参考,具体选股逻辑和细节可根据实际需求进行调整。

    ## 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