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,圆弧形。
选股逻辑分析
该选股逻辑通过选取振幅大于1的股票，筛选出波动性较强的股票。近25个交易日有单日涨幅大于等于百分之10，筛选出在短期内有上涨空间的股票。圆弧形则是对股票编制图表进行形态学分析，观察股票走势是否处于有利的形态。因此，这个选股逻辑结合了技术分析和基本面分析，可以识别出潜在的投资标的。
有何风险？
以下是该选股逻辑可能存在的风险：
- 过于依赖特定的技术指标，忽略了一些长期价值和基本面的考量；
- 选股逻辑的多个因素可能存在相互矛盾和冲突的问题，难以保持统一性；
- 圆弧形可能存在主观判断和误差。
如何优化？
为了缓解上述风险，可考虑以下优化措施：
- 填补价值和基本面考量不足的问题，加入PEG等因素进行分析；
- 对选股逻辑的多个因素进行加权统计和排除冲突；
- 纠正圆弧形的主观误差问题，采用自动化或半自动化的技术手段。
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个交易日单日涨幅大于等于百分之10；
- 股票走势处于圆弧形的有利形态。
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(ARC(CLOSE)>30,1,0);
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 arc_shape(df, n):
pass
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(arc_shape(df, 1), 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。
