问财量化选股策略逻辑
选取振幅大于1，KDJ刚形成金叉，上市大于一年的股票进入待投资池。
选股逻辑分析
- 振幅大于1表明该股票波动性大，有望获得高回报；
- 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；
- 上市大于一年的股票通常基本面比较稳定，具有较高的投资价值。
有何风险？
- 忽略了公司的经营风险、财务风险等基本面因素，产生投资误判；
- 无法预测宏观经济变化等不确定因素，对股票市场产生一定影响；
- 上市时间作为筛选条件刻画复杂度较低，难以完全反映公司的业绩表现和成长性，可能存在重大干扰。
如何优化？
- 引入更多的基本面指标，如公司估值、资产负债表等，更全面地分析股票选取；
- 考虑利用机器学习模型或者深度学习模型，结合各种市场数据，进行选股效果的优化；
- 除了上市时间，还可以结合公司年报、公司的投资规划、政策、行业竞争情况等较全面的基本面因素。
最终的选股逻辑
选取振幅大于1，KDJ刚形成金叉，上市大于一年的股票进入待投资池。
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;
GCROSS1: CROSS(J,D);
COND2:=REF(GCROSS1,1)=0 AND GCROSS1=1;
// 上市时间
YEARLIST:=[2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,2020,2021];
YEAR:YEAR(COVERTIME(MARKETDATE(CODE)));
COND3:=YEARLIST[12-YEAR+1]>1;
// 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","主力净流入":"net_amount","名称":"name"}, 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
kdj_cond = (j[-1] > d[-1]) & (j[-2] < d[-2])
# 上市时间
cond3 = (df.iloc[-1]['date'].year - df.iloc[0]['date'].year) > 1
# 综合条件
basic_cond = cond1 & kdj_cond & cond3
df = df[basic_cond].reset_index(drop=True)
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。
