问财量化选股策略逻辑
选取振幅大于1，KDJ刚形成金叉，（昨日换手率 * 今日竞价成交量/昨日成交量）在0.5~2之间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，预示着市场情绪化好转，有较大概率涨势明显；
- 换手率与竞价成交量指标结合考虑，能够综合评估股票的热点程度。
有何风险？
- 忽略了公司的经营风险、财务风险等基本面因素，产生投资误判；
- 无法避免存在公司操纵股价等不当行为的风险；
- 竞价成交量比重的波动会对策略产生影响，可能存在过度拟合情况。
如何优化？
- 引入更多的基本面指标，如公司估值、资产负债表等，更全面地分析股票选取；
- 基于统计学建模方法对策略进行优化和验证，排除过度拟合影响，提高反应市场运作的能力；
- 加强对竞价成交量的研究，寻找能够更准确描述不同市场环境下股票特征的指标。
最终的选股逻辑
选取振幅大于1，KDJ刚形成金叉，（昨日换手率 * 今日竞价成交量/昨日成交量）在0.5~2之间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金叉
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;
// 换手率*竞价成交量/成交量
TODAY_RQ:=AMOUNT/VOL;
YESTODAY_VOL:=REF(VOL,1);
YESTODAY_RQ:=REF(AMOUNT,1)/YESTODAY_VOL;
JJ:=IF(CLOSE>OPEN,VOL,0) * IF(CLOSE>OPEN,CLOSE,OPEN);
YESTJJ:=REF(JJ,1);
TODAY_CONDITION:=(YESTODAY_RQ * JJ) / YESTJJ;
COND3:=(TODAY_CONDITION>0.5) AND (TODAY_CONDITION<2);
// 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","流通市值":"circ_cap","主力净流入":"net_amount","名称":"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
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
kdj_cond = (j[-1] > d[-1]) & (j[-2] < d[-2])
# 换手率*竞价成交量/成交量
amount, vol, close, open_price = df['amount'].values, df['volume'].values, df['close'].values, df['open'].values
today_rq = amount / vol
yestoday_vol = pd.Series(vol).shift(1).values
yestoday_rq = pd.Series(amount).shift(1).values / yestoday_vol
jj = np.where(close > open_price, vol * close, 0)
yestoday_jj = pd.Series(jj).shift(1).values
today_cond = (yestoday_rq * jj) / yestoday_jj
jj_cond = (today_cond > 0.5) & (today_cond < 2)
# 综合条件
basic_cond = cond1 & kdj_cond & jj_cond
df = df[basic_cond].reset_index(drop=True)
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。
