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,底部抬高。
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底部抬高的筛选条件，以进一步约束选股范围。底部抬高是一种技术分析指标，用于判断股票是否达到了底部区域，有望反转向上。该选股逻辑综合考虑了波动性、短期的强势和底部抬高的行情特征，选出的标的具备较好的上涨潜力，但需要注意风险主体因素和市场状况的影响。
有何风险？
该选股逻辑可能存在以下风险：
- 底部抬高可能存在较大的主观性和判断不确定性；
- 筛选条件过于苛刻，可能会筛除部分潜力较大的标的；
- 忽略公司基本面和行业特征的因素，选出的股票可能存在差异；
- 忽略市场因素和宏观经济因素对选股策略的影响。
如何优化？
为了降低上述风险，我们可以采取以下优化措施：
- 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；
- 适当松动筛选条件，以增加选股标的的数量；
- 采用机器学习和人工智能等技术对选股策略进行优化。
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；
- 底部抬高。
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((LOW-LLV(LOW,20))==0,1,0);
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 bottoming(df, n):
return np.min(df['low'].iloc[-n:]) == df['low'].iloc[-1]
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(bottoming(df, 20), 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。
