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,北京A股除外。
选股逻辑分析
该选股逻辑在前一个选股逻辑的基础上增加了排除北京A股的策略，以避免政策风险。此外，与前面几个选股逻辑类似，该策略主要考虑了市场的波动和短期动量。然而，该选股逻辑忽略了公司基本面的因素和行业特征的考虑，因此选出的股票可能存在较大的差异，需要进一步验证。
有何风险？
该选股逻辑可能存在以下风险：
- 该选股逻辑忽略了公司基本面的因素和行业特征的考虑，选出的股票可能存在较大的差异；
- 该选股逻辑可能忽略了市场因素和宏观经济因素的影响；
- 该选股逻辑可能存在过度拟合的风险。
如何优化？
为了降低上述风险，我们可以采取以下优化策略：
- 采用更全面的数据来源，如财务数据和行业数据，以综合分析公司的基本面和行业特征；
- 考虑市场因素和宏观经济因素对选股策略的影响；
- 采用验证方法，例如模型验证和实验验证，来验证选股策略的有效性。
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；
- 排除北京A股。
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(LOCATION()!='北京',1,0);
SELECTOR = C1*C2*C3;
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 regional_preference(df, n):
return (df['location'] != '北京').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(regional_preference(df, '北京'), 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。
