【选股策略】换手率市值MACD量价（三天齐升）

import pandas as pd
第一步：选出最近连续两天量价换手率齐升的股票；

dates1=[20161103,20161104]
pieces1=[]
for date in dates1:path='All_stock/%d/stock overview.csv'%datedata1=pd.read_csv(path,encoding='gbk')pieces1.append(data1)data1=pd.concat(pieces1,ignore_index=True)index_data_A=data1[['股票代码','交易日期','开盘价','收盘价','换手率']]
index_data_A.交易日期=pd.to_datetime(index_data_A.交易日期)
index_data_A=index_data_A.set_index('交易日期')index_data1=index_data_A.groupby(['股票代码']).last()
index_data2=index_data_A.groupby(['股票代码']).first()
index_data1=index_data1.reset_index()
index_data2=index_data2.reset_index()
index_data_A=pd.merge(index_data1,index_data2,on='股票代码')index_data_A['开盘价差']=index_data_A.开盘价_x-index_data_A.开盘价_y
index_data_A['收盘价差']=index_data_A.收盘价_x-index_data_A.收盘价_y
index_data_A['换手率差']=index_data_A.换手率_x-index_data_A.换手率_y
index_data_A=index_data_A[(index_data_A.开盘价差>0)&(index_data_A.收盘价差>0)&(index_data_A.换手率差>0)]

第二步：选出前两天量价换手率齐升的股票；

dates2=[20161102,20161103]
pieces2=[]
for date in dates2:path='All_stock/%d/stock overview.csv'%datedata2=pd.read_csv(path,encoding='gbk')pieces2.append(data2)data2=pd.concat(pieces2,ignore_index=True)index_data_B=data2[['股票代码','交易日期','开盘价','收盘价','换手率']]
index_data_B.交易日期=pd.to_datetime(index_data_B.交易日期)
index_data_B=index_data_B.set_index('交易日期')index_data3=index_data_B.groupby(['股票代码']).last()
index_data4=index_data_B.groupby(['股票代码']).first()
index_data3=index_data3.reset_index()
index_data4=index_data4.reset_index()
index_data_B=pd.merge(index_data3,index_data4,on='股票代码')index_data_B['开盘价差']=index_data_B.开盘价_x-index_data_B.开盘价_y
index_data_B['收盘价差']=index_data_B.收盘价_x-index_data_B.收盘价_y
index_data_B['换手率差']=index_data_B.换手率_x-index_data_B.换手率_y
index_data_B=index_data_B[(index_data_B.开盘价差>0)&(index_data_B.收盘价差>0)&(index_data_B.换手率差>0)]index_data=pd.merge(index_data_A,index_data_B,on='股票代码')

第三步，选出今天股票中金叉，流通市值<100亿，换手率>0.02的股票同前面选出的三天量价齐升的股票做merge，on=股票代码

data=pd.read_csv('all_stock/20161104/stock overview.csv',encoding='gbk')
#data=data[data['MACD_金叉死叉']=='金叉']
#data=data[(data.MACD_DIF<0) & (data.MACD_DEA <0)]
#data=data[(abs(data.MACD_DIF)<0.1) & (abs(data.MACD_DEA) <0.1) ]
#data=data[(data['开盘价']<data['MA_60']) & (data['收盘价']>data['MA_60'])]
#data=data[(data['收盘价']>data['MA_60'])&(data['开盘价']<data['MA_60'])]
data=data[data.流通市值<10000000000]
#data=data[data.市盈率TTM<60]
data=data[data.换手率>0.02]
data=data.sort('换手率',ascending=False)
data=data[['股票代码','股票名称','换手率', '流通市值','市盈率TTM','市销率TTM','市现率TTM','市净率','收盘价','开盘价']]
data=pd.merge(data,index_data,on='股票代码')
data=data[['股票代码','股票名称','换手率', '流通市值','市盈率TTM','市销率TTM','市现率TTM','市净率']]
data

这样目标是找出刚刚突破阻力位，连续三天量价齐升的股票，观察后续走势。

【选股策略】换手率市值MACD量价（三天齐升）相关推荐

多因子选股模型python_量化交易——因子选股、多因子选股策略
一.因子选股策略 1.因子因子:选择股票的某种标准.因子是能够预测股票收益的变量. (1)基本面因子基本面因子描述了一个公司的财务状况,最常见的基本面因子是由利润表,资产负债表以及现金流量表中的数 ...
量化交易——因子选股、多因子选股策略
一.因子选股策略 1.因子因子:选择股票的某种标准.因子是能够预测股票收益的变量. (1)基本面因子基本面因子描述了一个公司的财务状况,最常见的基本面因子是由利润表,资产负债表以及现金流量表中的数 ...
选股策略你都会吗，这些选股策略你看懂了吗？
做股票是一个大学问,选股策略时一定要有选股策略,如果对选股策略不明白的,大家也可以参考<人工智能股市三大猜想>一书,可以学到很多选股策略哦!想要做好股票可不单单要学会选股策略,各种术语各种 ...
数据分析--单因子选股策略、多因子选股策略（选股）
数据分析--单因子选股策略.多因子选股策略(选股) 一.单因子选股策略--小市值策略二.多因子选股策略--市值+ROE(净资产收益率)选股策略一.单因子选股策略--小市值策略因子选股策略因子: ...
python123分时求和_七种分时量图及选股策略
超简交易分时图其实质就是一分钟K线图只取收盘价的平滑连线, 分时图的成交量和K线图的的成交量也没有本质的区别,只是图表表示的不一样. 由于分时图周期短.变化快所以单根的分时成交量基本没有意义, 反而 ...
手把手教你python实现量价形态选股知乎_怎样通过量价形态选股？量价选股技巧...
许多股民投资者对于成交量变化的规律不清楚,K线分析只有与成交量的分析相结合,才能真正地读懂市场的语言,洞悉股价变化的奥妙.成交量是价格变化的原动力,其在实战技术分析中的地位不言自明.今天小编就和大家介 ...
股票量化分析工具QTYX使用攻略——小市值轮动选股策略(更新2.5.9)
搭建自己的量化交易系统如果要长期在市场中立于不败之地!必须要形成一套自己的交易系统. 如何学会搭建自己的量化交易系统? 边学习边实战,在实战中学习才是最有效地方式.于是我们分享一个即可以用于学习,也 ...
量化交易米筐案例：市值因子选股策略
案例:市值因子的选股策略 1.结果获得超额收益年化 49% 2. 从股票中选择市值小的股票选定财务数据筛选进行每日调仓(多因子选股调仓周期频率会小一些) 3. 代码估值有关指标 # 在沪深 ...
怎样利用好量价选股？量价应用法则有哪些？
许多股民投资者对于成交量变化的规律认识不清,K线分析只有与成交量的分析相结合,才能真正地读懂市场的语言,洞悉股价变化的奥妙.成交量是价格变化的原动力,其在实战技术分析中的地位不言自明.在这里将为大家介 ...

【选股策略】换手率市值MACD量价（三天齐升）

【选股策略】换手率市值MACD量价（三天齐升）相关推荐

最新文章

热门文章