(supermind)振幅大于1、KDJ刚形成金叉、30日平均线向上_

问财量化选股策略逻辑

选取振幅大于1、KDJ刚形成金叉，且30日平均线向上的股票为投资组合。

选股逻辑分析

1. 振幅大于1表明该股票波动性大，有望获得高回报；
2. KDJ刚形成金叉，预示着市场情绪化好转，有较大概率涨势明显；
3. 30日平均线向上，表明该股票处于均线向上趋势，有望继续上涨。

有何风险？

1. 忽略了公司基本面因素，如行业竞争，产品质量等因素，导致投资决策失误；
2. 依赖技术指标，可能会有一定滞后性，导致投资决策的不准确；
3. 振幅大的个股存在较大风险，投资者可能会受到市场恐慌等情绪影响而继续回落。

如何优化？

1. 增加基本面指标的考虑，如波动性指标，PEG等等，提高投资决策的科学性；
2. 加强市场预测，如市场趋势，主题数据等等，使投资决策更加合理可靠；
3. 在挑选个股时，可以增加更多技术指标且权重适中，来减少单一因素的贡献。

最终的选股逻辑

选取振幅大于1、KDJ刚形成金叉，且30日平均线向上的股票为投资组合。

同花顺指标公式代码参考

// 振幅大于1
COND1:=(HIGH-LOW)/LOW>0.01;
// KDJ金叉
RSV:=(CLOSE-LOWEST(CLOSE,9))/(HIGHEST(CLOSE,9)-LOWEST(CLOSE,9))*100;
K:SMA(RSV,3,1);
D:SMA(K,3,1);
J:3*K-2*D;
GCROSS: CROSS(J,D);
COND2:=REF(GCROSS,1)=0 AND GCROSS=1;
// 30日平均线向上
MA30: MA(CLOSE, 30);
COND3:=(MA30-REF(MA30, 1))>0;
// 综合条件
CONDITION:=COND1 AND COND2 AND COND3;
SIGNAL: CHECKCOND(CONDITION,1);

Python代码参考

import pandas as pd
import akshare as ak

def get_trade_data(stock_code):
    stock_history_df = ak.stock_zh_a_daily(symbol=stock_code, adjust="hfq")
    stock_history_df.rename(columns={"交易日期":"date","开盘价":"open","最高价":"high","最低价":"low","收盘价":"close","成交量":"volume","成交额":"amount","流通市值":"circ_cap"}, inplace=True)
    stock_history_df.sort_values("date", ascending=True, inplace=True)
    stock_history_df['pct_chg'] = stock_history_df['close'].pct_change() * 100
    stock_history_df['net_volume'] = stock_history_df['close'] * stock_history_df['volume'] * stock_history_df['pct_chg'] / 100 / 10000
    return stock_history_df

def select(df):
    # 振幅
    cond1 = (df['high'] - df['low']) / df['low'] > 0.01
    # KDJ
    high, low, close = df['high'].values, df['low'].values, df['close'].values
    rsv = (close - pd.Series(low).rolling(window=9).min().values) / (pd.Series(high).rolling(window=9).max().values - pd.Series(low).rolling(window=9).min().values) * 100
    k = pd.Series(rsv).rolling(window=3).mean().values
    d = pd.Series(k).rolling(window=3).mean().values
    j = 3 * k - 2 * d
    cond2 = (j[-1] > d[-1]) & (j[-2] < d[-2])
    # 30日均线上升
    cond3 = pd.Series(df['close']).rolling(window=30).mean().diff().iloc[-1] > 0
    # 综合条件
    basic_cond = cond1 & cond2 & cond3
    df = df.loc[basic_cond].reset_index()
    return df

    ## 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)