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10,10日涨幅大于0小于35。
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10日涨幅的筛选条件。10日涨幅可以反映一定的短期走势，但仍然不能代表公司的长期业绩和基本面。同时，该选股逻辑没有足够考虑其他因素，如价值投资等，可能带来一定的风险。
有何风险？
以下是该选股逻辑可能存在的风险：
- 仅从历史短期走势出发，不考虑公司的基本面和长期业绩，可能会带来过度拟合的风险；
- 仅使用少量筛选条件，无法全面反映股票的市场表现和商业价值，可能会忽略潜在风险。
如何优化？
为了降低上述风险，可以采取以下优化措施：
- 建立完整的选股策略体系，尽可能覆盖多个指标和因素，提高选股策略的稳定性；
- 结合价值投资等其他策略，进一步筛选出具备长期价值的个股，综合考虑股票的基本面和市场表现。
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；
- 10日涨幅大于0小于35。
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(AND(CLOSE/REF(CLOSE,10)-1>0,CLOSE/REF(CLOSE,10)-1<0.35),1,0);
SELECTOR = C1*C2*C3;
RESULT = SORT_RANK(SELECTOR, DESCEND(VOLUME));
python代码参考
import pandas as pd
import talib as ta
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 short_term_trend(df, n):
return 0 < df['close'] / df['close'].shift(n).iloc[-1] - 1 < 0.35
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(short_term_trend(df, 10), 1, 0)
selector = C1 * C2 * C3
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。
