(supermind)振幅大于1、底部抬高、今日上涨_1主板_

用户头像神盾局量子研究部
2023-08-21 发布

问财量化选股策略逻辑

选股逻辑:振幅大于1,底部抬高,今日上涨大于1%(主板)。

选股逻辑分析

该选股策略依然结合了技术指标和市场数据,首先通过振幅大小和底部抬高等技术指标筛选出市场上走势稳健的个股,再结合当天的上涨幅度(主板)筛选出当天市场表现良好的个股。

有何风险?

该选股策略同样可能会忽略一些潜在优质股票,因为其筛选条件较为简单且只考虑单一市场数据指标。此外,该策略选出的个股可能受行情大周期波动等市场影响,在异常大波动或政策变化等情况时,该策略筛选出的个股可能的表现会较其他策略差。

如何优化?

该选股策略可继续结合其他技术指标如MACD、KDJ等进一步筛选个股,如可加入股票市值、成交量等因素,在市场情况出现对数因式衰减的时候,用VBS指标寻找底部,从而获得更出色的选股结果。

最终的选股逻辑

在分析和优化该选股策略后,我们可以得到最终的选股逻辑:

  1. 振幅大于1;
  2. 底部抬高;
  3. 今日上涨大于1%(主板);
  4. 剔除ST和*ST股票;
  5. 止损条件:当K线或收盘价跌破布林带中轨时,卖出。

同花顺指标公式代码参考

以下是在同花顺上实现该选股策略的指标公式代码:

C1: AMP() > 1;
C2:BOTTOM(HIGH,C1)>BOTTOM(HIGH,C1+1);
C3:C=INDEXC; B=MARKETTYPE;
IF (B==1)
THEN 
    S=MA(C,1);
ELSE
    S=MA(C,5);
ENDIF;
(S-C)/C>=0.01;
C4:NOT (INSTR('ST', SINFO) OR INSTR('*ST', SINFO));
C5:DEA()>DEA(1) AND DEA()>0;
C6:CLOSE>BOLLMA(CLOSE,20);
C7:CLOSE>REF(BOLLMA(CLOSE,20),1);
C8:(CLOSE<BOLLUPR(CLOSE,20,2)) OR ((CLOSE>=BOLLUPR(CLOSE,20,2)) AND (CLOSE>REF(CLOSE,1)));
SELECTOR:=C1 AND C2 AND C3 AND C4 AND C5 AND C6 AND C7 AND C8;
RESULT:=SELECTOR;

Python代码参考

以下是Python实现该选股策略的选股逻辑的代码:

from stockstats import StockDataFrame

# 转换为 StockDataFrame
sdf = StockDataFrame.retype(df)

# 筛选振幅大于1,底部抬高,今日上涨大于1%(主板)
selected_stocks = (sdf['amp'] > 1) & \
                   (sdf['low'].rolling(window=C1).apply(lambda x: (np.argmax(x[-C1:]) == C1 - 1) and (np.argmax(x[:-C1]) < np.argmax(x[-C1:])), raw=False)) & \
                   (sdf['close'] > sdf['open'].shift(1) * 1.01) & \
                   (~sdf['scode'].str.contains('ST')) & \
                   (~sdf['scode'].str.contains('*ST'))

# 加入止损策略:当K线或收盘价跌破布林带中轨时,卖出
sdf['mean'] = sdf['close'].rolling(window=20).mean()
sdf['std'] = sdf['close'].rolling(window=20).std()
sdf['lower'] = sdf['mean'] - 2 * sdf['std']
sdf['close_1'] = sdf['close'].shift(1)

sdf['sell_signal'] = (sdf['kdjk'] < sdf['kdjd']) & (sdf['kdjk'] < sdf['kdjj']) & \
                     ((sdf['close'] < sdf['mean']) | (sdf['close_1'] < sdf['mean'])) 
selected_stocks = selected_stocks & (~sdf['sell_signal'])

# 返回选中个股的代码
return selected_stocks['scode'].tolist()

通过在Python中实现该选股逻辑,可以更加灵活地结合多种技术指标和市场数据进行深度筛选和智能选股,同时也可以利用机器学习和其他算法不断完善略策略,以达到更优秀的选股表现。

    ## 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