问财量化选股策略逻辑
在选股过程中，我们采用了以下策略作为筛选条件：
- 均线策略：选股的第一个条件是股票的短期均线（五日均线）下破。这代表了股票价格的下跌趋势已经初步形成，可能存在下跌的风险。
- VR策略：当短期均线被下破后，我们关注seven天内的VR（即相对强弱指数）增长值。如果这个值大于等于90，说明股票价格的下跌趋势加速，风险增加。
- 振幅策略：当VR增长值小于-90后，我们关注股票的振幅，即股票价格在一段时间内的最大跌幅。如果振幅小于一定的值，例如10%，说明股票价格的波动较小，风险相对较小。
选股逻辑分析
以上选股策略中，均线策略和VR策略是核心部分。均线策略代表了股票价格下跌的趋势，而VR策略则代表了股票价格的下跌速度和波动性。两者结合，可以较好地筛选出风险较高的股票。
然而，这种选股策略也存在一定风险。首先，这种策略是基于历史数据的，可能无法完全预测未来的市场走势。其次，这种策略可能会选出一些看似风险较高的股票，但实际上可能存在投资价值。因此，在实际操作中，我们需要结合其他指标和信息，进行综合分析。
如何优化？
为了优化这种选股策略，我们可以考虑以下几个方面：
- 参数调整：我们可以调整策略中的一些参数，例如VR增长值的标准、振幅的阈值等，以适应不同的市场环境。
- 多指标组合：我们可以结合多个指标，例如趋势指标、动量指标等，进行组合分析，以提高选股的准确性。
- 信息融合：我们可以结合其他信息，例如公司基本面信息、宏观经济信息等，进行综合分析，以提高选股的准确性。
最终的选股逻辑
在实际的选股过程中，我们可以结合以上策略，结合其他指标和信息，进行综合分析，以选出风险较高的股票。
常见问题
- 选股策略是否完全预测未来的市场走势？
答：选股策略是基于历史数据的，可能无法完全预测未来的市场走势。 - 这种策略可能会选出哪些股票？
答：这种策略可能会选出一些看似风险较高的股票，但实际上可能存在投资价值。 - 如何优化选股策略？
答：我们可以调整策略中的一些参数，例如VR增长值的标准、振幅的阈值等，以适应不同的市场环境。我们也可以结合多个指标，进行组合分析，以提高选股的准确性。 - 选股策略的适用场景是什么？
答：这种选股策略适合于对市场风险有一定认知，希望进行风险投资的投资者。
指标公式代码参考
在实际操作中，我们可以使用以下指标公式代码进行选股：
import tushare as ts
import pandas as pd
# 获取股票数据
pro = ts.pro_api('你的tushare API token')
stock_list = pro.stock_basic(exchange='sh', list_status='L', fields='ts_code,name')
df = pd.DataFrame(stock_list)
# 计算VR增长值
df['VR'] = df['RSI'].ewm(span=14).mean()
df['VR_abs'] = abs(df['VR'])
# 计算振幅
df['振幅'] = df['close'].pct_change()
# 筛选符合条件的股票
df = df[(df['振幅'] < 0.01).any(axis=1)]
以上代码中，我们使用tushare API获取股票数据，计算VR增长值和振幅，然后筛选出符合条件的股票。
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？
点击页面下方的复制按钮，复制到自己的账户即可使用模板进行回测。