用Python选一个自己的股票池！堪比资深的炒股选手

最新推荐文章于 2024-08-05 17:04:33 发布

时间与思念

最新推荐文章于 2024-08-05 17:04:33 发布

阅读量920

点赞数 8

分类专栏： 2024年程序员学习文章标签： python 人工智能大数据

本文链接：https://blog.csdn.net/weixin_58040820/article/details/137505547

版权

2024年程序员学习专栏收录该内容

257 篇文章 0 订阅

订阅专栏

形态选股

股票的形态多种多样，这里以选择股票中的黄昏(早晨)十字星为例。

黄昏十字星与早晨十字星的区别在于所处趋势不一样。

图示如下:

如果需要程序判断，那么这些长度需要量化，不能模棱两可。所以根据十字星的定义，量化如下:

实体长度: 超过2.5%才算长实体，而且上下影线不能超过0.3%

十字星: 实体长度不超过1.5%

趋势: 包括十字星在内往前数6根k线，其中的第1根k线收盘价均小于它后面4根收盘价为向上趋势，反之趋势向下，并且幅度超过2.5%。

这里我只是主观的量化没有任何交易经验的选择，如果不认同的话，可以自行修改代码。

代码如下:

def select_doji():

fp = “by_ts_code/600249.SH-.csv”

fp = “by_ts_code/300130.SZ-.csv”
df = pd.read_csv(fp, index_col=“trade_date”, parse_dates=[“trade_date”])
df = df[[“open”, “high”, “low”, “close”]]

k线数量

k_size = 6

起始幅度大小

treand_threshold = 0.025

长实体最小长度

entity_length_threshold = 0.025

长实体上下最大影线长度

entity_shadow_line_length_threshold = 0.03

十字星实体长度最大长度

doji_entity_length_threshold = 0.015

十字星上下影线长度最小长度

doji_shadow_line_length_threshold = 0.005

trend_map = {1: “向上”, -1: “向下”}

def up_or_down_trend(row):
“”“1代表向上, -1代表向下, 0代表震荡”“”
first = row[0]
last = row[-1]

if all(first > row[1:]) and first > (last * treand_threshold):
return -1
elif all(first < row[1:]) and last > (first * treand_threshold):
return 1
else:
return 0

df[“trend”] = df.close.rolling(k_size).apply(up_or_down_trend, raw=True)
df.fillna(value=0, inplace=True)

def k_sharp(k):
“”“返回k线的上下影线长度, 实体长度”“”
open_, high, low, close = k[:4]
if open_ > close:
upper_line_length = (high - open_) / high
lower_line_length = (close - low) / close
entity_length = (open_ - close) / open_
else:
upper_line_length = (high - close) / high
lower_line_length = (open_ - low) / open_
entity_length = (close - open_) / close

return upper_line_length, lower_line_length, entity_length

def is_up_or_down_doji(k_lst, trend):

open, high, low, close

if len(k_lst) != 3:
sys.exit(“判断十字星需要三根K线”)

is_ok = False
k1, k2, k3 = k_lst

判断是否跳空

通过high, close过于严格

if trend > 0:

趋势向上时,最低点是否大于两个实体的最高价

if k2[0] < k1[1] or k2[0] < k3[1]:

if k2[0] < k1[1] :

return is_ok
else:

趋势向下时,最高点是否小于两个实体的最高价

if k2[0] > k1[2] or k2[0] > k3[2]:
return is_ok

k1_sharp = k_sharp(k1)

print(“k1 sharp”)

print(k1_sharp)

判断是否为长实体

if (k1_sharp[2] < entity_length_threshold
or k1_sharp[0] > entity_shadow_line_length_threshold
or k1_sharp[1] > entity_shadow_line_length_threshold):
return is_ok

k3_sharp = k_sharp(k3)

print(“k3 sharp”)

print(k3_sharp)

if (k3_sharp[2] < entity_length_threshold
or k3_sharp[0] > entity_shadow_line_length_threshold
or k3_sharp[1] > entity_shadow_line_length_threshold):
return is_ok

print(“ok”)

判断是否为十字星

k2_sharp = k_sharp(k2)

print(“k2 sharp”)

print(k2_sharp)

实体长度不超过0.2%, 上下影线长度超过0.6%, 如果规定上下影线的长度不太好找

if (k2_sharp[2] > doji_entity_length_threshold

or k2_sharp[0] < doji_shadow_line_length_threshold

or k2_sharp[1] < doji_shadow_line_length_threshold):

if k2_sharp[2] > doji_entity_length_threshold:
return is_ok

return True

df_values = df.values
ret = []

for index in range(len(df_values)):
if index < k_size:
continue

trend = df_values[index - 1][-1]
if trend == 0:
continue

val_slice = slice(index-2, index+1)
k_lst = df_values[val_slice]
if is_up_or_down_doji(k_lst, trend):
ret.append(index-1)
print(“在>>%s<<<找到趋势为[%s]的十字星” % (df.index[index-1], trend_map[trend]))

if not ret:
print(“没有发现任何十字星”)

ax = ohlc_plot(df[[“open”, “high”, “low”, “close”]])
for i in ret:

print(i)

mark_x = df.index[i]

mark_y = df.loc[mark_x].low

print(mark_x, mark_y)

ax.axvline(mark_x)
plt.show()

return ret

结果如下:

说实话标准的不太好找，所以代码的条件设置不是很严格。

形态选股很有意思，以后有机会单独出一篇文章。

交易额/流通股本选股

通过交易额过滤，选择股票最近一百个交易日的成交额平均值，然后进行排序。

交易额排序

def select_by_amount(data_path, top_size=20):

或许交易日比较好

day_range = 100

all_df = load_all_local_data(data_path, tail_size=day_range)
ret = []
for ts_code, df in all_df.items():
df[“amount_avg”] = df.amount.rolling(day_range).mean()
amount_avg = df[“amount_avg”][-1]

NaN的布尔值为True, 所以需要np.isnan判断

if np.isnan(amount_avg):
continue

ret.append((ts_code, amount_avg))

ret.sort(key=lambda x:x[1])
print(“交易额排名前%s的结果如下” % top_size)
print(ret[-top_size:])
return ret[-top_size:]

结果如下。

[(‘002714.SZ’, 2162871.9387400015), (‘000002.SZ’, 2294273.739109999), (‘002460.SZ’, 2372975.2177099977), (‘600745.SH’, 2461243.4350499995), (‘601990.SH’, 2551214.2825800003), (‘603986.SH’, 2679324.4020000002), (‘600703.SH’, 2759167.96963), (‘002456.SZ’, 2759314.642220001), (‘000651.SZ’, 2782179.0211499995), (‘000100.SZ’, 2853012.22389), (‘002185.SZ’, 3149773.6836400027), (‘000858.SZ’, 3168871.2845699983), (‘002475.SZ’, 3392269.47999), (‘300750.SZ’, 3511882.7076800014), (‘600030.SH’, 4039920.83439), (‘000725.SZ’, 4189700.4488400007), (‘300059.SZ’, 4447245.855129998), (‘600519.SH’, 4448082.42745), (‘601318.SH’, 4892206.13003), (‘000063.SZ’, 5128169.27109)]

流通市值排序

def select_by_float_market_value(trade_date, top_size=20):
df = pro.daily_basic(ts_code=‘’, trade_date=trade_date, fields=“ts_code,close,float_share”)

ret = []
for row in df.values:
ts_code = row[0]
float_market_value = row[1] * row[2]

if np.isnan(float_market_value) or not float_market_value:
continue

ret.append((ts_code, float_market_value))

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。