(supermind)振幅大于1、KDJ刚形成金叉、外盘除内盘大于1

问财量化选股策略逻辑

选取振幅大于1、KDJ刚形成金叉、外盘/内盘大于1.3的股票为投资组合。

选股逻辑分析

1. 振幅大于1表示该股票具有较大波动性，有利于获得高回报；
2. KDJ刚形成金叉，意味着市场情绪好转，有较大概率涨势明显；
3. 外盘/内盘大于1.3，表示多头占据主导地位，市场热情高涨，有较大概率上涨。

有何风险？

1. 忽略了公司的具体业务情况、行业竞争情况等因素，只注重了市场情绪及内外盘指标，存在一定的投资风险；
2. 选择过多的高波动性个股，可能会带来较大的波动性，存在一定的风险；
3. 盲目追涨，难以把握市场情况。

如何优化？

1. 增加公司业务基本面因素，如股票市盈率、公司业绩等指标，提高投资决策的科学性；
2. 结合基本面分析，综合考虑多方面因素，如公司盈利能力、成长性、竞争优势等，进行投资决策；
3. 在选股中增加一定的安全性因素，如莫比奥斯垫等，规避波动性巨大、风险过高的股票；
4. 合理控制高波动性个股的比例，减少波动性风险。

最终的选股逻辑

选取振幅大于1、KDJ刚形成金叉、外盘/内盘大于1.3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
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;
// 外盘/内盘
WR:=SUM(IF(CLOSE>REF(CLOSE,1),VOL,0),14)/SUM(IF(CLOSE<REF(CLOSE,1),VOL,0),14)*100;
COND3:=WR>1.3;
// 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"}, 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])
    # 外盘/内盘
    wr = df['volume'].rolling(window=14).apply(lambda x: (x[df['close'] > df['close'].shift()]).sum() / (x[df['close'] < df['close'].shift()]).sum(), raw=True).values
    cond3 = wr[-1] > 1.3
    # 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)