欧奈尔的RPS指标如何使用到股票预测

最新推荐文章于 2023-06-26 17:06:39 发布

BigQuant

最新推荐文章于 2023-06-26 17:06:39 发布

阅读量1.9k

点赞数

分类专栏： python量化策略文章标签：人工智能大数据 python

本文链接：https://blog.csdn.net/bigquant/article/details/128152877

版权

本文介绍了欧奈尔的RPS指标，并结合该指标如何在股票预测中运用，通过CANSLIM模型挑选潜力股。文章提供视频讲解及Python代码示例，适合在BigQuant平台上运行。

摘要由CSDN通过智能技术生成

前言

在这里插入图片描述
1988年，欧奈尔将他的投资理念写成了《笑傲股市How to Make Money in Stocks》。书中总结了选股模式CANSLIM模型，每一个字母都代表一种尚未发动大涨势的潜在优质股的特征。

视频讲解

如何结合欧奈尔的RPS指标开发策略

代码示例

# 回测引擎：初始化函数，只执行一次
def m19_initialize_bigquant_run(context):
    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df()

    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)
    # 设置买入的股票数量，这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.options['hold_days'] = 5

# 回测引擎：每日数据处理函数，每天执行一次
def m19_handle_data_bigquant_run(context, data):
    # 按日期过滤得到今日的预测数据
    today = data.current_dt.strftime('%Y-%m-%d')
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == today]

    # 1. 资金分配
    # 平均持仓时间是hold_days，每日都将买入股票，每日预期使用 1/hold_days 的资金
    # 实际操作中，会存在一定的买入误差，所以在前hold_days天，等量使用资金；之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg -<