问财量化选股策略逻辑
选取振幅大于1，KDJ刚形成金叉，机器人概念且流通市值小于100亿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；
- 选股逻辑聚焦机器人概念，有较大概率跑赢市场；
- 流通市值小于100亿具有较高的成长性和潜力，同时可以避免大盘股的风险；
- 综合考虑了波动性、市场情绪、行业因素和市值因素。
有何风险？
- 选股逻辑偏重技术面和行业面，对基本面因素不敏感；
- 机器人概念的投资热度易受制于市场情绪波动，波动性较大；
- 流通市值小于100亿并不一定代表高成长性，可能存在投资风险；
- 选股逻辑放弃了涉及到其他因素的潜力，如未来的政策、市场趋势等因素。
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、分析机器人产业周期变化等进行选股；
- 将机器人概念与其他概念进行融合和匹配，以最大化总收益；
- 根据量化因子权重的变化，不断调整优化选股策略。
最终的选股逻辑
选取振幅大于1，KDJ刚形成金叉，机器人概念且流通市值小于100亿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;
// 机器人概念筛选
COND3:=IF(FILTER(CLOSE>REF(CLOSE,1),30),1,0);
// 流通市值小于100亿
COND4:=CIRCULAT_MARKET_CAP/100000000<100;
// 综合条件
CONDITION:=COND1 AND COND2 AND COND3 AND COND4;
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])
# 机器人概念筛选
df['robot'] = df['name'].str.contains('机器人')
robot_cond = df[['robot']].rolling(window=30).sum().iloc[-1] > 0
# 流通市值小于100亿
mv_cond = df['circ_cap'] / 100000000 < 100
# 综合条件
basic_cond = cond1 & kdj_cond & robot_cond & mv_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。
