(supermind)振幅大于1、昨天龙虎榜、三个技术指标同时金叉_

问财量化选股策略逻辑

选股逻辑为振幅大于1，昨天出现在龙虎榜单上，同时三个技术指标出现金叉信号的股票。通过振幅、龙虎榜和技术指标等因素进行选股，找到具备投资价值的个股。

选股逻辑分析

1. 振幅大于1表明短期内波动较大，可能存在较大的投资机会；
2. 龙虎榜单的股票，通常说明存在较大资金流入或离开的情况；
3. 三个技术指标同时出现金叉，代表股票有相对强势的表现，并且具备较大的上涨潜力。

有何风险？

1. 市场风险和行情反转的风险存在；
2. 技术指标不能保证绝对准确；
3. 选股后的回测模拟结果存在与实际投资收益的差距。

如何优化？

1. 引入更多指标进行综合判断，如成交量、市盈率等指标，提升选股策略的稳定性和准确性；
2. 结合资金流向和市场行情等因素，进行更全面多角度的选股分析；
3. 建立完善的风险控制和资金管理机制，避免过度追涨杀跌等操作失误。

最终的选股逻辑

选股逻辑为振幅大于1，昨天出现在龙虎榜单上，同时三个技术指标出现金叉信号的股票。通过振幅、龙虎榜和技术指标等因素进行选股，以更全面、多角度的方式判断股票的投资价值。

同花顺指标公式代码参考

# 计算振幅
high = REF(HIGH, 1)
low = REF(LOW, 1)
close = REF(CLOSE, 1)
amplitude = 100 * (high - low) / close
picks_amplitude = IF(amplitude > 1, 1, 0)

# 判断昨天是否出现在龙虎榜上
lhb = LHB
yesterday_lhb = REF(lhb, 1)
picks_lhb = IF(yesterday_lhb['buy'] + yesterday_lhb['sell'] > 0, 1, 0)

# 选取技术指标数据
ma5 = MA(CLOSE, 5)
ma10 = MA(CLOSE, 10)
ma20 = MA(CLOSE, 20)
macd_diff, macd_dea, _ = MACD(CLOSE, 12, 26, 9)
kdj_k, kdj_d, kdj_j = KDJ(HIGH, LOW, CLOSE)

# 判断技术指标金叉
picks_ma = IF(CROSS(ma5, ma10) and CROSS(ma10, ma20), 1, 0)
picks_macd = IF(CROSS(macd_diff, macd_dea), 1, 0)
picks_kdj = IF(CROSS(kdj_k, kdj_d) and CROSS(kdj_d, kdj_j), 1, 0)

picks = picks_amplitude * picks_lhb * picks_ma * picks_macd * picks_kdj
picks_final = SortBy(picks, C, descending=True)

# 输出选股结果
WriteIf(picks_final, picks_final, 0)

Python代码参考

# 计算振幅
df['amplitude'] = 100 * (df['high'] - df['low']) / df['close']
picks_amplitude = df[df['amplitude'] > 1].index.tolist()

# 判断昨天是否出现在龙虎榜上
lhb_data = pro.top_list(trade_date='20211008')
lhb_data.set_index('ts_code', inplace=True)
picks_lhb = lhb_data[(lhb_data['buy'] + lhb_data['sell']) > 0].index.tolist()

# 选取技术指标数据
df['ma5'] = df['close'].rolling(5).mean()
df['ma10'] = df['close'].rolling(10).mean()
df['ma20'] = df['close'].rolling(20).mean()
macd_diff, macd_dea, _ = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
kdj_k, kdj_d, kdj_j = talib.STOCH(df['high'].values, df['low'].values, df['close'].values)

# 判断技术指标金叉
picks_ma = set(df[df['ma5'] > df['ma10']]['ts_code'].tolist())\
           & set(df[df['ma10'] > df['ma20']]['ts_code'].tolist())
picks_macd = set(df[macd_diff > macd_dea]['ts_code'].tolist())
picks_kdj = set(df[(kdj_k > kdj_d) & (kdj_d > kdj_j)]['ts_code'].tolist())

# 选取符合条件的股票
picks = set(picks_amplitude) & set(picks_lhb) & picks_ma & picks_macd & picks_kdj
picks_final = df.loc[picks].sort_values(by='close', ascending=False)['ts_code'].tolist()

# 输出选股结果
print(picks_final)

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)