(supermind)振幅大于1、KDJ刚形成金叉、北京A股除外_

问财量化选股策略逻辑

选取振幅大于1，KDJ刚形成金叉，排除北京A股的企业进入待投资池。

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，预示着市场情绪好转，有较大概率涨势明显；
3. 排除北京A股的企业避免违反政策风险；
4. 选股逻辑考虑了技术面和政策因素。

有何风险？

1. 振幅大，波动性高，基本面不稳定的股票风险高；
2. KDJ指标容易出现拐点误判，导致选股不准确；
3. 排除北京A股的企业容易忽略市场走势;
4. 基于北京A股排除风险较低，完美漏网股票不易被发掘。

如何优化？

1. 综合考虑股票的技术面和基本面因素；
2. 加入更多技术指标，如MACD、RSI、DMI等指标，增加选股准确性；
3. 根据分析后的财务报表信息，结合历史数据构建高质量基本面评估模型，提高选股准确性；
4. 结合政策性因素，如地区、行业等进行选股，以提高边际收益。

最终的选股逻辑

选取振幅大于1，KDJ刚形成金叉，排除北京A股的企业进入待投资池。

同花顺指标公式代码参考

// 振幅大于1
COND1:=(HIGH-LOW)/LOW>0.01;
// KDJ指标
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;
// 北京A股排除
COND3:=strstr(INCLUDESTOCKS,'110')=0 AND substr(STOCKS(1),1,2)<>'11';
// 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
import talib

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","市盈率":"pe","市净率":"pb","名称":"name","换手率":"turnover_ratio","未清偿规模":"unpaid_CB_size","未清偿可转债简称":"CB_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
    df = stock_history_df[['date','open','high','low','close','volume','net_amount','pct_chg','net_volume','pe','pb','circ_cap','turnover_ratio','unpaid_CB_size','CB_name']].copy()
    # 振幅
    cond1 = (df['high'] - df['low']) / df['low'] > 0.01
    # KDJ指标
    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])
    # 北京A股排除
    cond3 = ~df['CB_name'].str.startswith('110') & (df['CB_name'].str[:2] != '11')
    # 综合条件
    basic_cond = cond1 & kdj_cond & cond3
    df = df[basic_cond].reset_index(drop=True)
    return df
    
def select(df):
    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)