要基于“月线涨幅大于0，日线换手率小于10%，且日线收盘价站上60日、120日、250日三条均线中至少一条”的条件进行选股，并输出符合条件的股票列表，核心在于对多只股票的日线和月线数据进行批量处理与条件筛选。 以下是使用Python进行选股的完整代码实现，该代码假设您已通过`akshare`、`baostock`或`tushare`等库获取了所需的日线和月线数据。 ### 1. 核心选股逻辑与代码结构 选股流程可分为三步：1) 数据获取与预处理；2) 技术指标计算；3) 条件筛选。以下代码将封装为一个函数，便于每日或定期运行。 ```python import pandas as pd import numpy as np from datetime import datetime, timedelta import warnings warnings.filterwarnings('ignore') def select_stocks_by_conditions(stock_list, start_date, end_date, turnover_threshold=10.0): """ 根据给定条件筛选股票。 参数: stock_list: list, 待筛选的股票代码列表，如 ['000001.SZ', '600000.SH'] start_date: str, 数据开始日期，格式 'YYYY-MM-DD'，需足够早以计算长期均线。 end_date: str, 数据结束日期，即选股日期，格式 'YYYY-MM-DD'。 turnover_threshold: float, 换手率阈值（百分比），默认为10。 返回: selected_stocks: DataFrame, 包含符合条件的股票代码及关键指标。 """ all_results = [] for code in stock_list: try: # --- 步骤1: 获取日线数据（此处以akshare示例，您可替换为其他数据源）--- # 注意：需安装akshare: pip install akshare import akshare as ak # 获取后复权日线数据，包含换手率 df_daily = ak.stock_zh_a_hist(symbol=code, period="daily", start_date=start_date, end_date=end_date, adjust="hfq") # 数据清洗与列名标准化 df_daily = df_daily[['日期', '开盘', '最高', '最低', '收盘', '成交量', '换手率']] df_daily.columns = ['date', 'open', 'high', 'low', 'close', 'volume', 'turnover'] df_daily['date'] = pd.to_datetime(df_daily['date']) df_daily.set_index('date', inplace=True) df_daily.sort_index(inplace=True) if len(df_daily) < 250: # 数据量不足以计算250日均线 continue # --- 步骤2: 计算日线技术指标 --- # 计算60日、120日、250日简单移动平均线（SMA） df_daily['sma_60'] = df_daily['close'].rolling(window=60, min_periods=60).mean() df_daily['sma_120'] = df_daily['close'].rolling(window=120, min_periods=120).mean() df_daily['sma_250'] = df_daily['close'].rolling(window=250, min_periods=250).mean() # 获取最新一个交易日的数据 latest_day = df_daily.iloc[-1] # --- 步骤3: 检查日线条件 --- # 条件2: 日线换手率小于阈值 cond_turnover = latest_day['turnover'] < turnover_threshold # 条件3: 日线收盘价站上三条均线中的至少一条 cond_sma = (latest_day['close'] > latest_day['sma_60']) or \ (latest_day['close'] > latest_day['sma_120']) or \ (latest_day['close'] > latest_day['sma_250']) # --- 步骤4: 获取并计算月线数据 --- # 从日线数据重采样生成月线数据 df_monthly = df_daily['close'].resample('M').last() # 取每月最后一个交易日的收盘价 if len(df_monthly) < 2: # 至少需要两个月数据 continue # 计算月涨幅: (本月收盘 / 上月收盘 - 1) * 100% monthly_pct_change = (df_monthly.iloc[-1] / df_monthly.iloc[-2] - 1) * 100 # 条件1: 月线涨幅大于0 cond_monthly = monthly_pct_change > 0 # --- 步骤5: 综合判断 --- if cond_turnover and cond_sma and cond_monthly: # 记录该股票及关键数据 all_results.append({ '股票代码': code, '最新收盘价': latest_day['close'], '日换手率(%)': latest_day['turnover'], '月涨幅(%)': round(monthly_pct_change, 2), '站上60日均线': latest_day['close'] > latest_day['sma_60'], '站上120日均线': latest_day['close'] > latest_day['sma_120'], '站上250日均线': latest_day['close'] > latest_day['sma_250'] }) except Exception as e: print(f"处理股票 {code} 时出错: {e}") continue # 将结果转换为DataFrame并返回 if all_results: selected_stocks = pd.DataFrame(all_results) return selected_stocks else: return pd.DataFrame() # 返回空DataFrame # ==================== 使用示例 ==================== if __name__ == "__main__": # 示例股票池（沪深300成分股示例） stock_pool = ['000001.SZ', '000002.SZ', '600000.SH', '600036.SH', '601318.SH'] # 设置日期。结束日期为选股日，开始日期需足够早以计算250日均线（建议提前300个交易日） end_date = datetime.now().strftime('%Y-%m-%d') start_date = (datetime.now() - timedelta(days=500)).strftime('%Y-%m-%d') # 预留足够数据 # 执行选股 result_df = select_stocks_by_conditions(stock_pool, start_date, end_date, turnover_threshold=10.0) # 输出结果 if not result_df.empty: print(f"选股日期：{end_date}") print(f"符合条件的股票数量：{len(result_df)}") print("\n符合条件的股票列表：") print(result_df.to_string(index=False)) else: print("未筛选出符合条件的股票。") ``` ### 2. 代码关键点解析与说明 | 模块 | 关键点 | 说明与注意事项 | | :--- | :--- | :--- | | **数据获取** | `ak.stock_zh_a_hist` | 使用了`akshare`库获取A股后复权数据，其中包含“换手率”字段。若使用其他数据源（如Tushare、Baostock），需确保数据包含换手率，并调整数据获取和列名映射部分[ref_1][ref_6]。 | | **日线指标计算** | `.rolling().mean()` | 使用Pandas的滚动窗口函数计算简单移动平均线（SMA）。`min_periods`参数确保了在数据不足时（如前250天）不产生无效值，保证了计算的严谨性[ref_4]。 | | **月线数据处理** | `.resample('M').last()` | 通过对日线收盘价进行按月重采样（取每月末最后一个交易日收盘价），高效生成月线序列，无需单独下载月线数据[ref_1]。 | | **条件判断逻辑** | 三个布尔条件 | 1. **月线涨幅**：通过比较最近两个月收盘价计算。2. **换手率**：直接比较最新日频数据与阈值。3. **均线站位**：使用`or`逻辑判断收盘价是否大于三条均线中的任意一条。 | | **结果输出** | `pd.DataFrame` | 以结构化的表格形式输出，包含股票代码、关键指标值和具体的均线站上情况，便于后续分析或导入到投资组合中[ref_2][ref_5]。 | ### 3. 扩展：集成“小阳线买入”判断的选股增强版 原策略中的“小阳线买入”是一个动态的交易信号，而选股通常是静态的股票池筛选。若要在选股环节融入此概念，可以将其定义为**在满足上述三个核心条件的前提下，最新日K线形态为“小阳线”**。我们可以在上述函数中增加相关判断。 ```python def select_stocks_with_candle_pattern(stock_list, start_date, end_date, turnover_threshold=10.0, small_positive_range=(0.5, 3.0)): """ 增强版选股：在基础条件上，增加对最新日K线为“小阳线”的筛选。 新增参数: small_positive_range: tuple, 定义小阳线的涨幅范围（百分比），如(0.5, 3.0)表示涨幅在0.5%到3%之间。 """ all_results = [] for code in stock_list: try: # ... (数据获取部分与前述代码相同) ... # 假设已获取df_daily和计算了指标 latest_day = df_daily.iloc[-1] prev_day = df_daily.iloc[-2] # 获取前一日数据用于计算涨跌幅 # 计算日涨跌幅（百分比） daily_pct_change = (latest_day['close'] / prev_day['close'] - 1) * 100 # 判断是否为小阳线：1) 上涨；2) 涨幅在指定范围内 is_positive = latest_day['close'] > latest_day['open'] is_small_positive = is_positive and (small_positive_range[0] <= daily_pct_change <= small_positive_range[1]) # 原有三个条件判断（cond_turnover, cond_sma, cond_monthly）... # ... # 综合判断：四个条件同时满足 if cond_turnover and cond_sma and cond_monthly and is_small_positive: all_results.append({ '股票代码': code, '最新收盘价': latest_day['close'], '日涨跌幅(%)': round(daily_pct_change, 2), '日换手率(%)': latest_day['turnover'], '月涨幅(%)': round(monthly_pct_change, 2), '是否小阳线': is_small_positive, '站上60日线': latest_day['close'] > latest_day['sma_60'], '站上120日线': latest_day['close'] > latest_day['sma_120'], '站上250日线': latest_day['close'] > latest_day['sma_250'] }) except Exception as e: continue if all_results: return pd.DataFrame(all_results) else: return pd.DataFrame() # 使用示例 if __name__ == "__main__": stock_pool = ['000001.SZ', '600000.SH'] # 您的股票池 end_date = '2024-05-27' start_date = '2023-01-01' result_df = select_stocks_with_candle_pattern( stock_pool, start_date, end_date, turnover_threshold=10.0, small_positive_range=(0.5, 3.0) # 定义小阳线 ) print(result_df) ``` ### 4. 生产环境注意事项与优化建议 1. **数据源与效率**：循环获取单只股票数据效率较低。对于大规模股票池，应使用能批量获取数据的API，或先下载全市场数据到本地数据库再进行计算[ref_1][ref_3]。 2. **换手率数据准确性**：不同数据源的换手率计算口径可能不同（如使用总股本或流通股本）。务必确认所用数据的计算方式，并与策略逻辑匹配[ref_6]。 3. **停牌与新股处理**：代码中简单的`len(df_daily) < 250`过滤了新股，但未处理停牌。在生产环境中，应检查最新交易日是否有成交数据（成交量>0），以避免选入停牌股票。 4. **参数优化**：`turnover_threshold`（换手率阈值）和`small_positive_range`（小阳线范围）等参数应根据历史数据进行回测优化，以适应不同的市场风格[ref_2][ref_5]。 5. **结果持久化**：可将每日选股结果保存至CSV文件或数据库，便于跟踪策略表现和进行后续分析。 ```python # 示例：将选股结果保存至CSV文件 if not result_df.empty: filename = f'selected_stocks_{end_date}.csv' result_df.to_csv(filename, index=False, encoding='utf-8-sig') print(f"选股结果已保存至：{filename}") ``` 通过以上代码，您可以获得一个可直接运行、功能完整的选股程序。该程序严格遵循了您提出的三个核心选股条件，并提供了融入“小阳线”形态判断的扩展版本。您只需替换`stock_pool`为您的目标股票列表，并确保数据源可用，即可执行筛选。