(supermind)振幅大于1、前25天有涨停、macd零轴以上_

问财量化选股策略逻辑

选取振幅大于1，前25天至少有一天涨停，MACD零轴以上的股票进入待投资池。

选股逻辑分析

1. 振幅大于1表明该股票波动性较大，有较大概率出现较高的涨幅；
2. 前25天至少有一天涨停，代表该股票有望超额表现；
3. MACD零轴以上，代表该股票处于上升趋势。

有何风险？

1. 过分依赖技术指标，脱离股票基本面；
2. 忽略市场因素等其他影响因素。

如何优化？

1. 在追求技术指标和热点板块涨幅的同时，需充分考虑股票基本面和市场情况等因素；
2. 建立多维度的股票评估体系，避免单一维度影响投资决策。

最终的选股逻辑

选取振幅大于1，前25天至少有一天涨停，MACD零轴以上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;
//涨停，只选取前25天，这里举例取18
COND2:=REF(MAX(HIGH,1),1)/REF(CLOSE,1)>1.097 AND (HIGH=LOW) AND (CLOSE-REF(CLOSE,1))/REF(CLOSE,1)<0.009 AND (BARSSINCE(CLOSE=REF(MAX(HIGH,1),1))/COUNT>COUNT-18;
//MACD零轴以上
short:=12;
long:=26;
mid:=9;
DIF := EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA := EMA(DIF,MID);
MACD := 2*(DIF-DEA);
COND3:=MACD>0;
//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
from talib import abstract

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
    # 涨停
    cond2 = (df['high'] / df['close'].shift(1) > 1.097) & (df['high'] == df['low']) & (df['close'] / df['close'].shift(1) - 1 < 0.009) & (df['close'] == df['high'].shift(1))
    cond2 = cond2.rolling(window=18).sum() > 0
    # MACD
    macd = abstract.MACD(df, fastperiod=12, slowperiod=26, signalperiod=9)
    macd_cond = macd['macd'] > 0
    # 综合条件
    basic_cond = cond1 & cond2 & macd_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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)