问财量化选股策略逻辑
选取振幅大于1，KDJ刚形成金叉，反包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，预示着市场情绪好转，有较大概率涨势明显；
- 反包是技术分析中的一种形态，是一种强烈的信号，有可能预示着股价反转上涨；
- 综合考虑了波动性、市场情绪、技术形态因素。
有何风险？
- 反包是技术分析的一种，容易产生假信号；
- 选股逻辑偏重技术面，对基本面因素不敏感；
- 振幅大于1，波动性也意味着风险，需要注意风险管理；
- 缺乏对市场潜在发展趋势的预判。
如何优化？
- 加入基本面评估指标，如PE、PB等指标；
- 根据公司经营历史、财务报表信息、分析资产负债表等因素进行选股；
- 在技术指标基础上适当加入其他指标，如RSI、MACD等；
- 根据市场趋势变化，动态调整选股策略。
最终的选股逻辑
选取振幅大于1，KDJ刚形成金叉，反包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;
// 反包形态指标
C1:=REF(CLOSE,2);
C2:=REF(CLOSE,1);
C3:=CLOSE;
S1:=ABS(C1-C2);
S2:=ABS(C2-C3);
S3:=ABS(C1-C3);
R1:=S1+S2+S3;
S4:=S3/R1*100;
R2:=MAX(S1,S2);
S5:=R2/R1*100;
// 反包形态条件
COND2:=S5<30 AND S4>77;
// 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);
COND3:=REF(GCROSS1,1)=0 AND GCROSS1=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
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"}, 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']].copy()
# 振幅
cond1 = (df['high'] - df['low']) / df['low'] > 0.01
# 反包形态指标
c1 = df['close'].shift(2)
c2 = df['close'].shift(1)
c3 = df['close']
s1 = abs(c1-c2)
s2 = abs(c2-c3)
s3 = abs(c1-c3)
r1 = s1 + s2 + s3
s4 = s3 / r1 * 100
r2 = pd.concat([s1, s2], axis=1).max(axis=1)
s5 = r2 / r1 * 100
# 反包形态条件
cond2 = (s5.iloc[-1] < 30) & (s4.iloc[-1] > 77)
# 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])
# 综合条件
basic_cond = cond1 & cond2 & kdj_cond
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。
