问财量化选股策略逻辑
选股逻辑：振幅大于1,近25个交易日有单日涨幅大于等于百分之10,100亿市值以内的无亏损企业。
选股逻辑分析
该选股逻辑在前一个选股逻辑的基础上添加了市值和盈利能力的筛选条件。市值和盈利能力是公司长期价值的核心考量，这可以部分弥补前一个选股逻辑存在的不足。但该选股逻辑仍然可能存在过度拟合和忽略其他因素的 risk。
有何风险？
该选股逻辑可能存在以下风险：
- 该选股逻辑缺乏足够的验证，存在过度拟合的风险；
- 该选股逻辑仅仅考虑公司长期价值的核心因素，忽略其他因素。
如何优化？
为了降低上述风险，我们可以采取以下优化策略：
- 更广泛地考虑公司的价值，在选股策略中仔细权衡措施；
- 更全面地验证选股策略，使用模型验证等方法避免过度拟合；
- 更加严谨地考虑公司财务数据的有效性，避免错误的选股。
最终的选股逻辑
基于上述考虑，我们综合出以下选股逻辑：
- 振幅大于1；
- 近25个交易日有单日涨幅大于等于百分之10；
- 100亿市值以内的公司；
- 近四个季度净利润为正数。
同花顺指标公式代码参考
C1 = IF(HIGH-LOW>ATR(CLOSE,20),1,0);
C2 = IF(ABS((CLOSE-REF(CLOSE,1))/REF(CLOSE,1))>=0.1,1,0);
C3 = IF(CAPITAL()<100000000000,1,0);
C4 = IF(NPARENTNETPROFIT()>0,1,0);
SELECTOR = C1*C2*C3*C4;
RESULT = SORT_RANK(SELECTOR, DESCEND(VOLUME));
python代码参考
import pandas as pd
import numpy as np
df = pd.read_csv('your_data.csv', index_col='date')
def long_term_consistency(df, n):
pass
def short_term_momentum(df, n):
return df['return'][-1] > 0
def market_sentiment(df, n):
return pd.Series(df['high'] / df['close'].shift(1)).rolling(25).apply(lambda x: (x >= 1.1).any()).iloc[-1]
def company_value(df, n):
return df['capital'][-1] < 1e11
def profitability(df, n):
return (df['np_parent_company_owners'] > 0).all()
C1 = np.where(df['high'] - df['low'] > ta.atr(df['close'], 20), 1, 0)
C2 = np.where(abs((df['close'] - df['close'].shift(1)) / df['close'].shift(1)) >= 0.1, 1, 0)
C3 = np.where(company_value(df, 1e11), 1, 0)
C4 = np.where(profitability(df, 4), 1, 0)
selector = C1 * C2 * C3 * C4
result = df.sort_values(by='volume', ascending=False).index[np.argsort(np.argsort(selector))]
## 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。
