问财量化选股策略逻辑
选取振幅大于1，KDJ刚形成金叉，并且底部抬高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；
- 底部抬高，表明股票底部反复碾压后，开始向上突破，具有明显的上升趋势。
有何风险？
- 底部抬高的概念不够明确，难以准确衡量；
- 过于依赖技术指标，可能忽略了股票的基本面信息；
- KDJ指标具有滞后性，金叉出现时市场已有一定的上涨；
- 振幅大，可能意味着波动性风险更高。
如何优化？
- 细化底部抬高的概念，例如采用趋势线的形态进行判断；
- 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，并且底部抬高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;
// 底部抬高
SDLF:=0;
IF(C=LLV(C,60),SDLF:=1);
SDHF:=0;
IF(C=HHV(C,60),SDHF:=1);
SDLF AND NOT SDHF AND C>REF(LLV(C,60),3);
CONDITION:=COND1 AND COND2 AND SDLF;
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
# 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])
# 底部抬高
lower_con = talib.LLV(df['close'].values, timeperiod=60) == df['close']
higher_con = talib.HHV(df['close'].values, timeperiod=60) == df['close']
cond3 = lower_con & (~higher_con) & (df['close'] > df['close'].shift(3).rolling(window=60).min())
# 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。
