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,昨天换手率＞8%。
选股逻辑分析
该选股逻辑从价格波动性、短期走势和市场情绪等方面考虑，能够捕捉到市场热点股和快速拉升的股票。通过增加昨日换手率这一指标，也能够一定程度上反映市场参与人数和市场流动性。
有何风险？
以下是该选股逻辑可能存在的风险：
- 过于割裂股票本质价值和市价演变之间的关系；
- 忽略了一些长期价值投资的基本因素；
- 过于追求短期爆发力和超额收益率，可能存在较高的市场风险；
- 过于依赖技术指标，可能出现走势掉头时被套牢的情况；
- 过于依赖近期的历史数据，可能存在较大的样本偏差。
如何优化？
为了缓解上述风险，可以考虑以下优化措施：
- 增加基本面指标的考量，如公司财务报表和行业情况等；
- 增加中长期走势判断因素，如均线等；
- 增加流动性指标的考量，如成交量、持股集中度等；
- 降低选择标准，增加短、中、长期走势的平衡性；
- 将其作为一种辅助选股逻辑，并不仅依赖于该逻辑作为唯一入选条件。
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；
- 昨日换手率大于8%；
- 股票PB低于同行业平均值；
- 财务报表近期呈现较好增长状态。
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(VOL/REF(VOL,1)>0.08,1,0);
C4 = IF((SELECT PB FROM (SELECT * FROM TRADINGDATE WHERE IFTRADINGDAY=1 ORDER BY IFTRADINGDAY DESC LIMIT 25) T1 LEFT JOIN ASHAREINCOME T2 ON T1.TRADEDATE=T2.TRADEDATE AND S_INFO_WINDCODE=t1.S_INFO_WINDCODE ORDER BY IFTRADINGDAY DESC LIMIT 1)<((SELECT INDUSTRY_PB FROM (SELECT * FROM TRADINGDATE WHERE IFTRADINGDAY=1 ORDER BY IFTRADINGDAY DESC LIMIT 25) T1 LEFT JOIN ASHAREINCOME T2 ON T1.TRADEDATE=T2.TRADEDATE AND S_INFO_WINDCODE=t1.S_INFO_WINDCODE ORDER BY IFTRADINGDAY DESC LIMIT 1)),1,0);
C5 = IF((SELECT NP_YOY FROM (SELECT * FROM TRADINGDATE WHERE IFTRADINGDAY=1 ORDER BY IFTRADINGDAY DESC LIMIT 25) T1 LEFT JOIN ASHAREINCOME T2 ON T1.TRADEDATE=T2.TRADEDATE AND S_INFO_WINDCODE=t1.S_INFO_WINDCODE ORDER BY IFTRADINGDAY DESC LIMIT 1)>0,1,0);
SELECTOR = C1*C2*C3*C4*C5;
RESULT = SORT_RANK(SELECTOR,DESCEND(HEAT));
python代码参考
import pandas as pd
import numpy as np
import talib as ta
df = pd.read_csv('your_data.csv', index_col='date')
def long_term_consistency(df, n):
industry_pb_avg = df['industry_pb'].mean()
pb = df['pb'][-1]
return pb < industry_pb_avg
def short_term_momentum(df, n):
return df['np_yoy'][-1] > 0
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(df['volume'] / df['volume'].shift(1) > 0.08, 1, 0)
C4 = np.where(long_term_consistency(df, 25), 1, 0)
C5 = np.where(short_term_momentum(df, 1), 1, 0)
selector = C1 * C2 * C3 * C4 * C5
result = df.sort_values(by='heat', 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。
