01引言
在股票市场上,一切交易行为的成功皆为概率事件,交易获利的核心在于选择了上涨概率较高的股票。因此,利用高概率的上升形态来选股,是技术分析的重要方法之一。威廉·欧奈尔在《笑傲股市》中通过研究100多只超级牛股,总结出看涨形态中出现最为普遍的一种形态——杯柄形态。欧奈尔杯柄选股模型的买点,说白了是股价放量上升即将创出新高的时点。也就是说,最佳买点是在股价经过回调整理,股价即将创出新高且成交量放大50%以上。
欧奈尔“逢高买入”的逻辑主要基于三点,一是“逢高买入”可以规避股票长时间在底部盘整时的等待;二是在牛市初期和调整期,越早结束底部盘整创出新高的股票,未来的涨幅通常越大;三是在牛市初期和调整期,先买入更早结束盘整创出新高的股票,待其上涨获利部分卖出再建仓后启动的股票,可以提高资金使用效率。
本文基于欧奈尔“杯柄形态”和“逢高买入”的技术分析思想,使用Python基于个股价量形态进行简单的量化选股,以期对股票价格形态量化选股起到抛砖引玉的作用。实际上欧奈尔的选股精髓在于技术面和基本面的有机结合,并提出了CANSLIM七步选股法,感兴趣的可参见其原书《笑傲股市》。废话少说,下面直接给出Python价量选股代码。注意,文中提及股票仅作为分析案例,不构成任何投资建议!
02Python选股代码
Python实现的步骤主要包括数据获取及清洗、价量突破规则设定、股票筛选和可视化分析。数据获取基于tushare开源框架,使用Python自带的Sqlit3轻量级数据库进行数据管理,参见推文《【手把手教你】Python面向对象编程入门及股票数据管理应用实例》。下面要引入的base、update_sql、plot_stock均是为方便数据管理写的个人脚本文件,在运行时可以注释掉使用自己的数据来替换和画图。加入知识星球获取可获取所有完整代码。
(数据管理的py文件和选股分析的ipynb文件)
#更新数据库信息
fromupdate_sqlimportupdate_sql,info_sql
#画K线图
fromplot_stockimportstock_plot
更新数据库信息
update_sql()
输出结果:数据已经是最新的!
获取数据库信息info_sql()
输出结果:
数据库包含股票个数:3760
统计查询的总数:7873981
数据期间:0104——0113
文件大小为918M。
import pandas as pd
#base是个人写的脚本文件
frombaseimportsql_engine,ts_pro
fromdatetimeimportdatetime,timedelta
pro=ts_pro()
engine=sql_engine()
从数据库中获取复权价格和成交量
defget_price_vol_data():
now=datetime.now()
date=(now-timedelta(360)).strftime("%Y%m%d")
sql=f"select*fromdaily_datawheretrade_date>{date}"
all_data=pd.read_sql(sql,engine)
all_data=all_data.sort_values(["ts_code","trade_date"])
codes=list(all_data.ts_code.unique())
#前复权
all_data["adjclose"]=all_data.groupby("ts_code").apply(lambdax:x.close*x.adj_factor/x.adj_factor.iloc[-1]).values
all_data["adjvol"]=all_data.groupby("ts_code").apply(lambdax:x.vol*x.adj_factor/x.adj_factor.iloc[-1]).values
all_data["adjopen"]=all_data.groupby("ts_code").apply(lambdax:x.open*x.adj_factor/x.adj_factor.iloc[-1]).values
all_data["adjhigh"]=all_data.groupby("ts_code").apply(lambdax:x.high*x.adj_factor/x.adj_factor.iloc[-1]).values
all_data["adjlow"]=all_data.groupby("ts_code").apply(lambdax:x.low*x.adj_factor/x.adj_factor.iloc[-1]).values
#设置索引
all_data=all_data.set_index(["trade_date","ts_code"])[["adjclose","adjvol","adjopen","adjhigh","adjlow"]]
#转成面板数据
all_data=all_data.unstack()
returncodes,all_data
筛选价格和成交量突破N日阈值的个股
deffind_price_vol_stock(n,r=1.2):
codes,all_data=get_price_vol_data()
up_list=[]
forcodeincodes:
close=all_data["adjclose"][code]
open_=all_data["adjopen"][code]
high=all_data["adjhigh"][code]
low=all_data["adjlow"][code]
vol=all_data["adjvol"][code]
#剔除一字涨停
flag=True
ifclose.iloc[-1]==open_.iloc[-1]==high.iloc[-1]==low.iloc[-1]:
flag=False
break
#最近五日没有长上影线,以单日回撤3%为长上影线
foriinrange(5):
ifclose[-5:][i]*1.03<high[-5:][i]:
flag=False
break
#价格突破前N日新高
p=close.iloc[-1]#当前价格
p0=close[-n:-1].min()
p1=close[-n:-1].max()#前n-1日最高价
#价格短期已上涨超过50%,涨幅过大不宜介入
"""
if(p-p0)/p0>r:
flag=False
break"""
#价格突破且放量上涨
ifflag==Trueand\
p1<p<p1*rand\
vol[-5:].mean()/vol[-10:-5].mean()>2.0:
up_list.append(code)
returnup_list
运行选股函数:
stocks_60=find_price_vol_stock(60)
print("突破60日量价的个股为:\n")
print(stocks_60)
print(f"突破60日量价个股个数为:{len(stocks_60)}")
突破60日量价的个股为:
["000417.SZ","000885.SZ"]
突破60日量价个股个数为:2
对选出的个股K线可视化
stock_plot(stocks_20[0]).kline_plot(ktype=0)
stock_plot(stocks_20[1]).kline_plot(ktype=0)
下面不考虑成交量,主要基于价格形态,寻找W底或圆底形态的个股。
#RPS是用于计算欧奈尔RPS相对强弱指标的脚本文件
fromRPSimportget_data
data=get_data()
#data.tail()
剔除了次新股和ST股后对剩下的2871只股票进行筛选。
deffind_stock(data,n=20):
stock_list=[]
forcindata.columns:
d0=data[c][-n]
d1=data[c][-(n-2):-1].max()
d2=data[c][-1]
#考虑股价在3-20元个股情况
if3<d2<20andd1<d0<d2<d0*1.52:
stock_list.append(c)
#print(len(stock_list))
returnstock_list
运行函数:
ss_20=find_stock(data)
print(ss_20)
#输出结果:
["恒华科技","东方电缆","立霸股份","鼎信通讯","普洛药业"]
基于60天价格形态。
ss_60=find_stock(data,n=60)
print(ss_60)#输出结果:
["中航重机","鲁阳节能","金牛化工","农尚环境","北汽蓝谷"]
价格形态的可视化,其中stock_plot是使用pyecharts0.5.11版本写的画图脚本文件,ktype=0为普通K线,=1为修正K线图。
stock_plot(ss_20[0]).kline_plot(ktype=0)
stock_plot(ss_20[1]).kline_plot(ktype=0)
stock_plot(ss_60[0]).kline_plot(ktype=0)
stock_plot(ss_60[1]).kline_plot(ktype=0)
stock_plot(ss_60[2]).kline_plot(ktype=0)
03结语
随着股票数量的增多,借助技术手段进行量化选股已越来越普遍,不少平台也用上了AI的手段。市场讯息万变,往往体现在量价关系的变化中。因此采用技术分析的量价时空分析,可以提高选股的成功概率。但所有技术分析都基于对历史的归纳,而历史并不总是全然相似,所处的市场环境和公司情况也不尽相同,未来的发展走势也可能不一样。技术分析本身是存在一定局限性的,凭借高概率的价格形态选股能够判定一只股票未来上涨,但也未必如你所愿的方式上涨,可能中间的震荡又将你洗出局。本文以Python为工具,对A股3700多只股票进行价量分析,利用价量突破进行选股,为股票技术分析的量化提供了一种简单的视角,具有一定的实战意义。具体应用中还可结合市场横截面的强弱指标——欧奈尔的RPS和基本面业绩指标进一步优化。以上分析仅供参考,不构成任何投资建议!
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。