猎杀大牛股选股模型
模型之一：海底捞月
海底捞月就是网络上面流传的macd低位两次金叉出暴利机会，当macd指标的长期运行在0轴下方，当dif金叉dea之后，dif并没有上穿0轴，反而向下死叉dea，然后再次金叉，在短短短时间内，出现两次金叉，一般出现这样的形态，是抛盘穷尽的信号，可以择机介入，macd底部背离是相当有效的抄底信号，经过修改过参数的macd 指标出现大牛股的信号更少，质量更高。海底捞月是猎杀大牛股模型当中效果最差的一个，出现的信号也是比较多的。海底捞月体现的是当前股票所处的位置，如果要爆发一定要需要成交量的配合。这个模型是中线选股的模型，拿到模型之后，每天收盘选择一下出现信号的股票，然后耐心等到成交量的有效放大。
买入方法：海底捞月信号出现后，等待30天均线走平，当5天金叉10天均线，同时成交量5天均量线金叉34天均量线为买入信号。
当海底捞月的信号出现后，观察前期是否有过放量的现象，优先选择曾经放过量的股票，如果没有的话，则需耐心等待，量能是股票上涨的原动力。
模型之二：海底电缆
MACD 指标在0轴下方运行一个月以上，DIF 在0轴下方金叉MACD 线之后，不是强劲的上升，而是在0轴下方
与DEA线靠近，DIF与DEA指标粘合成一条直线，数值几乎相等，这种形态多数是在股价下跌探底，抛盘穷尽时，呈现底部的形态，这时主力介入，进行压箱顶吸货所致，可以择机入市，配合南征北战的均量线8,34参数使用。
海底电缆的特点以及与其他指标的差别：海底电缆模型在macd指标在0轴下方金叉后，跟随股价的下跌而回调，不死叉，而是采取粘合的形态，如果出现在0轴上方就是空中缆绳，海底电缆是猎杀大牛股模型中居于倒数第二的模型，海底电缆信号比海底捞月要强势，但是次于天鹅展翅，出现的信号不是太多，一但出现，比较的牛。海底电缆体现的是当前股票所处的位置，如果要爆发一定要需要成交量的配合，这个模型是中线选股的模型，拿到模型之后，每天收盘选择一下出现信号的股票，然后耐心等到成交量的有效放大，优先选择前期有5，金叉34均量线的股票作为潜力股。
买入法：出现海底电缆信号后，如果30天均线走平，5天均线金叉10天均线，当成交量大于5日安均量线就是买入点。
模型之三：小鸭出水
dif在0轴下方金叉macd之后没有上穿0轴，dif死叉之后dif再次金叉macd指标，该形态出现在股价下跌探底之后，是底部形态见底反弹的信号，可以择机入市。
小鸭出水的特点以及与其他模型的差别：
小鸭出水是猎杀大牛股模型当中强度第五的模型。海底捞月，海底电缆，天鹅展翅在信号出现之前，macd指标始终是运行在0轴下方的，而成功的小鸭出水在信号出现之前曾经有过dif上穿0轴。海底捞月体现的是当前股票所处的位置，如果要爆发一定要需要成交量的配合。这个模型是中线选股的模型，拿到模型之后，每天收盘选择一下出现信号的股票，然后耐心等到成交量的有效放大。
买入方法：小鸭出水信号出现之后，股票的30日均线走平或者上扬，5日均线金叉10日均线，5日均量线大于34天均量线，是买入点。
模型之四：天鹅展翅
macd指标的dif在0轴下方金叉macd之后没有上穿0轴，dif跟随股价的回调不破macd指标，该形态出现在股价下跌探底之后，是底部形态见底反弹的信号，可以择机入市天鹅展翅的特点以及与其他模型的差别天鹅展翅是猎杀大牛股模型强度第6的模型，出现的信号也是不是太多，如果出现在0轴上方，就是老鸭头了天鹅展翅模型强于海底电缆，弱于小鸭出水，天鹅展翅体现的是当前股票所处的位置，如果要爆发一定要需要成交量的配合。这个模型是中线选股的模型，拿到模型之后，每天收盘选择一下出现信号的股票，然后耐心等到成交量的有效放大。
买入方法：小鸭出水信号出现之后，股票的30日均线走平或者上扬，5日均线金叉10日均线，5日均量线大于34天均量线，是买入点。
7种量化选股模型 1、【多因子模型】 2、【风格轮动模型】 3、【行业轮动模型】 4、【资金流模型】 5、【动量反转模型】 6、【一致预期模型】 7、【趋势追踪模型】 1、【多因子模型】 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。 基本概念 举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。 各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。 一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。 打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。 回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。 多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。
候选因子的选取 候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。 例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。 从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。 选股因子有效性的检验 一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验， 具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n 个组合并持有到月末，每月如此，一直重复到模型形成期末。 上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2 个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。 有效但冗余因子的剔除 不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。 冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤为： （1）先对不同因子下的n个组合进行打分，分值与该组合在整个模型形成期的收益相关，收益越大，分值越高 （2）按月计算个股的不同因子得分间的相关性矩阵； （3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值 （4）设定一个得分相关性阀值 MinScoreCorr，将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其它因子则作为冗余因子剔除。
多年来收集很多最好的选股公式 我们小散户做的是政策面大指标里的个股，不是整个政策面里的所有股。看业绩，看基本面，看政策都不如看个股快要拉升的时机。好指标里显示个股拉升前的习惯和成交量的数据，好指标的确像温度计一样记录了39度是发烧，0度以下要结冰的事实。熊市里有涨的可以赚钱的个股，牛市里有跌的能套人的个股。能有一个更好的指标让大家在牛市里多赚一点钱，在熊市里少赚一点钱，就值得了。对潜水的朋友说:多回复下帖子，其实就是几个字而已，但是这几个字对于发帖人来说鼓励是很大的！行了废话少说源码奉上！ 一.选股指标. 次日涨停 W1:=C=HHV(C,20); W2:=BARSLAST(W1); W3:=IF(W2>0,REF(C,W2),REF(C,W2)); W4:=CROSS(C,REF(W3,1)); W4 AND COUNT(W4,5)=1; 黄转紫选股 DIFF:=EMA(DCLOSE,12)-EMA(DCLOSE,26); DEA:=EMA(DIFF,9); MACD:=(DIFF-DEA)*2; 紫柱:MACD<0 AND MACD>REF(MACD,1) AND REF(MACD,1) _红柱:IF("MACD.MACD">REF("MACD.MACD",1),"MACD.MACD",DRAWNULL), STICK,COLORRED; 绿柱:IF("MACD.MACD" A1:=BARSLAST(REF(CROSS(DIFF,DEA),1)); B1:=REF(C,A1+1)>C AND REF(DIFF,A1+1) 副图指标公式源码 百万踏浪（相传为杨百万看图公式）、1N1:=9;N:=3; VAR1:=REF(CLOSE,1); 标 尺:SMA(MAX(CLOSE-VAR1,0),5,1)/SMA(ABS(CLOSE-VAR1),5,1)* 100; VAR2:=(CLOSE-LLV(LOW,N1))/(HHV(HIGH,N1)-LLV(LOW,N1))*10 0; VAR3:=SMA(VAR2,3,1); VAR4:=SMA(VAR3,3,1); VAR5:=SMA(VAR4,3,1); 浪:VAR3,COLORBLUE; 波:VAR4,COLORRED; 段:VAR5,COLORYELLOW; VAR6:=CROSS(VAR3,VAR4)ANDVAR4<25; STICKLINE(VAR6,0,VAR4+15,5,0),COLORGREEN; VAR7:=CROSS(VAR4,VAR5)ANDVAR4<25; VAR8:=VAR7ANDVOL>REF(VOL,1)*2ANDVOL>REF(MA(VOL,5),1)*2; STICKLINE(VAR7,0,VAR4+55,5,0),COLORWHITE; 底抄DRAWTEXT(VAR7ANDCOUNT(VAR7,10)=1,VAR4+25,' '),COLORYELLOW; STICKLINE(VAR8,0,VAR4+15,5,0),COLORBLUE; DRAWTEXT(VAR8ANDCOUNT(VAR8,10)=1,VAR4-1,'量放 '),COLORGREEN; VAR9:=CROSS(VAR3,VAR4)ANDVAR4>80ANDVAR4>VAR5; STICKLINE(VAR9ANDCOUNT(VAR9,5)=1,VAR4-5,100,5,0),COLORY ELLOW; VARA:=CROSS(VAR5,VAR4)ANDREF(VAR4,1)>80; STICKLINE(VARA,VAR4-15,100,15,0),COLORYELLOW; 顶逃 DRAWTEXT(VARAANDCOUNT(VARA,10)=1,VAR4-25,''),COLORYELLO W; VAR1A:=(CLOSE-LLV(LOW,15))/(HHV(HIGH,15)-LLV(LOW,15))*1 00; VAR1B:=SMA((SMA(VAR1A,4,1)-50)*2,3,1); VAR1C:=(INDEXC-LLV(INDEXL,14))/(HHV(INDEXH,14)-LLV(INDE XL,14))*100; VAR1D:=SMA(VAR1C,4,1); VAR1E:=SMA(VAR1D,3,1); VAR1F:=(HHV(HIGH,30)-CLOSE)/CLOSE*100; VARE:=REF(LOW,1)*0.9; VARF:=LOW*0.9; VAR10:=(VARF*VOL+VARE*(CAPITAL-VOL))/CAPITAL; 选股公式汇总 主题：后知后觉11月公式汇总 11月4号 后知后觉软件公式 {n 1 100 8} 抄底1:EMA(IF(L<= LLV(l,40),SMA(ABS(L-REF(L,1)),40,1)/SMA(MAX(L-REF(l, 1),0),40,1),0),3)*30,stick,colorgreen; 抄底2:if(EMA(WINNER(C)*70,5)<5,50,0),coloryellow; bba:=(CLOSE-LLV(LOW,40))/(HHV(HIGH,40)-LLV(LOW,40) )*100; bba1:=sMA(bba,3,1),colorwhite; bba2:=SMA(bba1,3,1),coloryellow; bba3:=3*bba1-2*bba2,colorff00ff; 抄底 3:SMA(MAX(CLOSE-bba3,0),6,5)/SMA(ABS(CLOSE-bba3),6 ,5)*40,colorff00ff; g1:=ma(c,120)>ma(c,250) and ma(c,20)<ma(c,120) and ma(c,10)<ma(c,120) and ma(c,5)<ma(c,120); g2:=ma(c,10)>ma(c,20) and cross(ma(c,5),ma(c,10)); 抄底4:if(g1 and g2,80,0),colorwhite; Var3:=(c+h+l+o)/4; Var4:=llv(l,34); Var5:=hhv(h,34); Var6:=ema((Var3-Var4)/(Var5-Var4)*100,8); Var7:=ema(Var6,5); 抄底5:if(Var7<20,-10,0),stick,colorffff00; RSV1:=(MA(C,N)-LLV(MA(C,N),13))/(HHV(MA(C,N),13)-L LV(MA(C,N),13))*100; K1:SMA(RSV1,3,1); RSV2:=(MA(C,N)-LLV(MA(C,N),21))/(HHV(MA(C,N),21)-L LV(MA(C,N),21))*100; K2:SMA(RSV2,3,1); RSV3:=(MA(C,N)-LLV(MA(C,N),34))/(HHV(MA(C,N),34)-L LV(MA(C,N),34))*100; K3:SMA(RSV3,3,1); RSV4:=(MA(C,N)-LLV(MA(C,N),55))/(HHV(MA(C,N),55)-L 【多因子模型】 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。 基本概念 举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。 一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。 打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。 多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。 候选因子的选取 候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。 例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。 从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。 同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。 选股因子有效性的检验 一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。 上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。 有效但冗余因子的剔除 不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。 冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余 选股公式源码大全（一） 一、以下公式仅供学习研究之用； 二、选股公式只能起到一个条件过滤的作用，具体操作还得综合其他技术面、基本面等； 三、不同的行情要用不同的方式，不可能一劳永逸； 一、{选股公式} ZLC:= EMA((WINNER(CLOSE) * 70),3); SHC:= EMA(((WINNER((CLOSE * 1.1)) - WINNER((CLOSE * 0.9))) * 80),3); 主力控盘:= ((ZLC / (ZLC+ SHC)) * 100); 上限:= HHV(主力控盘,20); 下限:= LLV(主力控盘,20); 中线:=(上限+ 下限)/2; A:=60; B:=10; 抄低:CROSS(主力控盘,B); 二）{选股公式} LC := REF(CLOSE,1); RSI:=SMA(MAX(CLOSE-LC,0),10,1)/SMA(ABS(CLOSE-LC),10,1)*100; 跌破:CROSS(20,RSI); 三）{简单实用选股公式} 公式名：波段 M3:MA((CLOSE*2+H+L)/4,3); M3_3:MA(M3,3),COLORGREEN; 选股公式： M3:=MA((CLOSE*2+H+L)/4,3); M3_3:=MA(M3,3); xg:cross(M3,M3_3); 四）{选股公式} V AR1P:=(CLOSE-LLV(LOW,60.135))/(HHV(HIGH,60.135)-LLV(LOW,60))*80; V AR2P:=SMA(V AR1P,7,1); V AR3P:=SMA(V AR2P,5,1); IF(CROSS(V AR2P,VAR3P) AND V AR2P<20,85,0); 五）{选股公式} N:=9; RSV:= (CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100; K:=SMA(RSV,2,1); D:=SMA(K,2,1); 多因子量化选股模型建立及优化 股市在不断的变化,所以从目前来看,不断探讨哪些指标在量化选股中更为有效,是具有现实意义的。这也是本文研究工作开始的初衷。 在整个研究过程中,保持数据的严谨性、中立性、数据处理方法的科学性对于研究结论的准确性来说至关重要。本文首先构建了一个比较全面的候选因子库,通过对候选因子数据进行异常值、缺失值、标准化、市值中性化、行业中性化等一系列的处理之后,本文对候选因子进行有效性检验及再筛选,最终认为 RP_TTM(净利润TTM/总市值)、BP_LF(净资产TTM/总市值)、operete_profin gr_TM(营业利润增长率TTM)、sales_gr_TTM(营业收入增长率)、BOOK_LEVEL(账面杠杆)、stock_to market_volatility(个股与市场波动率比值)、 REV_LAST1M_MAX(近一个月日收益率最大值)、RSI(相对强弱)等八个因子是较为有效的因子。 在得出有效因子之后,本文利用打分法来构建八因子选股模型,回测区间选定为2016年1月至2019年4月。通过对模型的回测,我们发现本文构建的八因子模型相比于沪深300,有着较为稳定的超额收益。 在整个回测时间段内,八因子模型的总收益为41.02%,年化收益为11.07%。相比于基准的收益情况,八因子模型相对总收益为32.28%,年化平均超额收益为8.92%。 为了深入研究,我们对原有模型进行优化,优化方案为“在利用八因子模型进行正式选股之前,首先以增长率-经营活动产生的现金流量净额(TTM)指标对股票池进行初步筛选”。通过对优化八因子模型进行回测,我们发现加入增长率-经营活动产生的现金流量净额(TTM)指标优化后的八因子模型回测表现更好。 承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括、电子、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从A/B/C/D中选择一项填写）： 我们的参赛报名号为（如果赛区设置报名号的话）：05 所属学校（请填写完整的全名）：大学 参赛队员(打印并签名) ：1. 瑞 2. 呼建雪 3. 朱培育 指导教师或指导教师组负责人(打印并签名)： 日期：2012 年8 月27 日赛区评阅编号（由赛区组委会评阅前进行编号）： 编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）： 关于课程关系量化分析的数学模型 摘要 本文探讨研究了关于某高校两个专业四门课程分数、学生学习水平的差异显著性以及课程间相互影响的情况。 首先我们对两个专业的各科成绩分别统计了平均值、标准差、及格率以及优秀率这些统计量值，又根据这些数据作出了特性指标矩阵；然后采用模糊聚类分析中的最优划分法得到了聚类分类结果，得到结论为：两专业的高级程序设计语言分数差异性显著，其他三门科目均没有显著差异。 接着我们根据课程间的联系，采用层次分析法得到各个科目在总成绩中所占的权重，即得到关于衡量学生学习水平的总成绩模型： 4j 3j 2j 1j 0.2323x 0.3619x 0.6090x 0.6664x +++=y 然后利用单因素方差分析法得到专业对学生学习水平影响的显著性05.0132.0>，即两个专业学生的学习水平无明显差异。 对于问题（3），我们直接利用SPSS 软件中的回归分析法得到高级程序语言设计、离散数学两门课程学习的优劣会影响到数据结构和数据库原理的学习。 最后，综合以上分析得到对于专业主干课的学习，我们应该认真学好专业基础课，以便为后续课程的学习打好基础。 关键词： 模糊聚类分析 层次分析 单因素方差分析 回归分析 [转载]选股公式源码 1.小金角技巧 即10日均价线与20日均价线走出圆弧底，10日均价线上叉20日均价线，并且20日 均价线也是要勾头向上的，股价在交叉点上方附近，甚至交叉点下方，10日均价 线与20日均价线向上开口角度越陡，后势上涨的潜力越大。mA5:=MA(C,5); mA10:=MA(C,10); mA20:=MA(C,20); yhd:=COUNT(ref(mA10<mA20,3),16)>=15 and count(mA5>mA10,3)>2; xg:yhd AND CROSS(mA10,mA20)AND mA20>REF(mA20,1);2.大金角技巧： 就是20日均价线向上，上叉62日均价线，并且62日均价线也是要勾头向上的，这 样20日和62日都是开口向上的，其是底部阳量放大的那些股票,并且开的角度越陡 后期就越猛。 mA20:=MA(C,20); mA62:=MA(C,62); v1:=v>ref(v,1); CROSS(mA20,mA62)AND mA62>REF(mA62,1) and count(v1,3)>2; 3.小金边技巧 10日与20日均价线均向上运行，二者距离相差不大角度越陡越好；股价从10日线 上方跌破10日线，接近20日均价线，最好4日线也跌破10日线；62日与133日均价 线，没有反作用力最好；随后产生的成交阳量越大越好；MACD指标图形为空中加 油技巧最好.小金边技巧第一次出现是最有效的，可重点寻找那些股价回落到小金 边里面，4日线与20日线接近的股票小金边技巧（4死叉10配62）选股。 ma4:=ma(c,4); ma10:=ma(close,10); ma20:=ma(close,20); l1:=v>ref(v,1); v1:=count(cross(ma10,ma20),15); v2:=c<ref(close,1) and ref(close,1)<ref(close,2); xjb:v1=1 and v2 and ma10>c and c>ma20 and SLOPE(MA20,4)>0 AND SLOPE(MA10,3)>0; 信号出现时高点低点一目了然，好不好直接上图 VAR1:=(HHV(HIGH,9)-CLOSE)/(HHV(HIGH,9)-LLV(LOW,9))*100-70; VAR2:=SMA(VAR1,9,1)+100; VAR3:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*100; VAR4:=SMA(VAR3,3,1); VAR5:=SMA(VAR4,3,1)+100; VAR6:=VAR5-VAR2; 趋势:IF(VAR6>45,VAR6-45,0); 0,COLOR00FFFF; 20,POINTDOT,COLORFFAA66,LINETHICK1; 80,POINTDOT,COLORFFAA66,LINETHICK1; 100,COLORFFFF33; V1:=LLV(LOW,10); V2:=HHV(H,25); 价位线:=EMA((C-V1)/(V2-V1)*4,4); DRAWTEXT(CROSS(价位线,0.3),20+4,'●买'),COLORRED; DRAWTEXT(CROSS(3.5,价位线),100-4,'●卖'),COLORGREEN; VAR2Q:=REF(LOW,1); VAR3Q:=SMA(ABS(LOW-VAR2Q),3,1)/SMA(MAX(LOW-VAR2Q,0),3,1)*100; VAR4Q:=EMA(IF(CLOSE*1.3,VAR3Q*10,VAR3Q/10),3); VAR5Q:=LLV(LOW,30); VAR6Q:=HHV(VAR4Q,30); VAR7Q:=IF(MA(CLOSE,58),1,0); VAR8Q:=EMA(IF(LOW<=VAR5Q,(VAR4Q+VAR6Q*2)/2,0),3)/618*VAR7Q; 基于多因子模型的量化选股分析 随着中国资本市场复杂程度日渐加深和规模日益庞大，投资品种和数量与日俱增，无论是个人或是机构投资者所拥有的投资渠道与投资方法也在逐渐增多。量化投资作为一种来自海外资本市场的先进技术，在海外资本市场中受到了广泛追捧，著名的西蒙斯与大奖章基金便是利用了量化投资技术，于1989~2007年间获得了高达38.5%的平均年收益率。中国的量化投资发展虽仍在起步阶段，、金融学、科学相结合的优势来寻求超额收益。据统计显示，截至2016年10月，中国公募基金中共有48支基金以“量化”命名，其中长信量化先锋基金（519983），申万菱信量化小盘股票基金（163110）与大摩多因子策略混合基金（233009）等均表现出色，具有较高的年化收益率。而无论是在个体投资或是基金投资中，多因子选股模型均是较为广泛的量化模型之一。本文基于多因子模型策略，利用2011~2015年的数据对投资过程中的常用因子进行有效性检验，并使用有效因子构建基本多因子模型，根据假设创造性地使用简单打分法构建投资组合，基于2014~2016年的历史数据进行实证分析，为广大一般投资者提供了一种简单可行且收益率超过市场表现的投资策略。最后结合行业轮动效应与面板数据的多元回归分析对基本模型进行了深化与修正，创新性地提出了基于多因子模型的更多投资策略，也为较深层次的理论研究者提供了思路与数据参考。 一、文献综述 关于量化投资选股策略的研究涉及许多方面，常见的包括多因子模型、风格轮动模型、动量反转模型、趋势追踪模型等。对于多因子模型，最重要的环节便是有效因子的选取。大多数论文对于有效因子的选取通常采用因子评分法，此方法最早由Piotroski（2000）提出，常见操作为：将股票池中的股票按N个候选因子的大小依次排序，按照每个排序选取排名靠前的股票等权重构建N个极端的股票组合持有到期末，计算N个组合的平均收益率并与基准的指数收益率进行比较，用此方法能成功获取alpha收益组合所使用的排序因子即为有效因子[1]。另外一种方法则是回归法，通过计量模型求得单个因子对股价波动的贡献与显著性。丁鹏曾在其《量化投资——策略与技术》一书中使用1997~2006年的历史数据对常用的因子进行了有效性检验 M:=-15;P:=-20; VAR1:=((LLV(LOW,5) = LLV(LOW,45)) AND (CLOSE >= (OPEN * 1.04))); VAR2:=(CLOSE > ((REF(HIGH,1) + REF(LOW,1)) / 2)); VAR3:=REF(CLOSE,1); VAR4:=((SMA(MAX((CLOSE - VAR3),0),6,1) / SMA(ABS((CLOSE - VAR3)),6,1)) * 100); 红白出现可追涨:(VAR1 AND VAR2)*80,STICK,COLORFFFFFF; R1:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*100; R2:=(CLOSE-MA(CLOSE,6))/MA(CLOSE,6)*100; R3:=(CLOSE-MA(CLOSE,12))/MA(CLOSE,12)*100; R4:=(CLOSE-MA(CLOSE,24))/MA(CLOSE,24)*100; R5:=(R2+2*R3+3*R4)/6; R6:=MA(R5,3); VAR1A:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*100; VAR2A:=(CLOSE-MA(CLOSE,6))/MA(CLOSE,6)*100; VAR3A:=(CLOSE-MA(CLOSE,12))/MA(CLOSE,12)*100; VAR4A:=(CLOSE-MA(CLOSE,24))/MA(CLOSE,24)*100; VAR5A:=(VAR2A+2*VAR3A+3*VAR4A)/6; VAR6A:=MA(VAR5A,3); 绿白出现可以买: STICKLINE(VAR6A<=P,60,0,2,0),COLORGREEN; BIAS := (CLOSE-MA(CLOSE,7))/MA(CLOSE,7)*100; ENTERLONG:=CROSS(-14,BIAS); 青白出现可以买:STICKLINE(ENTERLONG,0,99,1,0),COLORCYAN; MID := MA(CLOSE,26); LOWER:= MID - 2*STD(CLOSE,26); EN:=CROSS(CLOSE,LOWER); 紫白出现可追涨:STICKLINE(EN,0,40,4,0),COLORFF00FF; VAR2W:=100-100*(HHV(HIGH,14)-CLOSE)/(HHV(HIGH,14)-LLV(LOW,14)); MW:= EMA(VAR2W,3); VAR3W:=EMA(VAR2W,7); M1:= EMA(VAR3W,5); MB1:=CROSS(MW,M1) AND M1<20; 黄白出现可追涨:IF((MB1),90,0),STICK,COLORYELLOW; VAD1:=EMA((WINNER(CLOSE*1.1)-WINNER(CLOSE*0.9))*80,5); VAD2:=INDEXC; VAD3:=INDEXC; VAD4:=CLOSE/MA(CLOSE,50)<0.74; VAD5:=(CLOSE/MA(CLOSE,40)<0.78 OR CLOSE/MA(CLOSE,60)<0.74) AND HIGH>LOW*1.049; VAD6:=EMA(WINNER(CLOSE)*70,3); VAD7:=CLOSE/MA(CLOSE,40); VAD8:=MA(VAD2,6); VAD9:=MA(VAD3,6); VAD10:=HIGH>LOW*1.048; VAD11:=MA(CLOSE,27)/CLOSE>1.169 AND MA(CLOSE,17)/CLOSE>1.158 AND 15金融专硕仰军 均线模型量化股票交易 摘要:移动平均线(MA)是股市中最常用的一种分析技术，用于在大行情的波动段找到有效的交易信号。移动平均线简单、有效，对股市操作具有较好的指导作用。均线模型能有效地打败了大部分的主观策略，成为炒股，炒期货的必备基本工具。 本文选用阿里巴巴 2014 年 9 月至今的股票数据，对其每日收盘价进行了 5 日、20 日和60 日移动平均。先用每日收盘价和 20 日平均分析一条均线的交易策略，通过找出交易信号并模拟交易，发现一条均线交易策略会有些许的亏损，但通过图表分析，此策略能够较好的预测股价走势，相对主观投资更为合理；然后用 5 日平均和 20 日平均做两条均线的交易策略，这是对一条均线模型的优化，模拟交易后发现此交易能够盈利。 关键词：股票移动平均均线交易策略模拟交易II 1.均线模型的简单介绍 移动平均线 本文采用统计学中”移动平均”的原理，计算一股票每日收盘价的简单移动平均，将一段时期内的股票价格平均值连成曲线，来显示股价的历史波动情况，进而反映股价指数未来发展趋势。 均线的特性 （1）平滑性。通过均线的平滑移动来修复股价的不规则偶然变动。 （2）灵敏性、稳定性。均线参数取值不同，其特性也不同。参数越小，灵敏性越强，稳定性越差；参数越大，稳定性越强，灵敏性越差。 （3）助涨性、助跌性。上升趋势线有助涨的特性，下降趋势线有助跌的特性。 均线模型 在日K线图中除了标准的价格K线以外，另外还有4条线，分别是白线、黄线、紫线、绿 线依次分别表示：5日、10日、20日和60日移动平均线，通过这4条线与价格K线的交叉，就可以形成不同的均线模型。 利用均线平滑的特点，可以发现均线与价格K线会有叉，各均线之间也有交叉，我们可以通过这些交叉点判断交易信号：黄金交叉，当10日均线由下往上穿越30日均线，10日均线在上，30日均线在下，其交叉点就是黄金交叉，黄金交叉是多头的表现，出现黄金交叉后，后市会有一定的涨幅空间，这是进场的最佳时机；死亡交叉，当30日均线与10日平均线交叉时，30日均线由下住上穿越10日平均线，形成 30日平均线在上，10日均线在下时，其交点称之为”死亡交叉”，”死亡交叉”预示空头市场来临，股市将下跌此时是出场的最佳时机。 2.用R语言实现模型建立 从互联网下载股票数据 利用quantmod包的getSymbols()函数，默认会通过Yahoo的金融开放API下载数据，我们选择阿里巴巴的股票数据，从2014-09-19至今的1年多的日间交易数据。数据类型为xts格式的时间序列，数据包括7个列，以日期做索引列，其他6列分别为开盘价(Open), 最高价(High), 最低价(Low), 收盘价(Close), 交易量(Volume), 调整价(Adjusted)。 自定义均线图 自定义均线指标：以日期时间序列为索引，收盘价做为价格指标，不考虑成交量及其他维度字段。取2014-09-19至今，形成趋势的数据，画出价格曲线，5日均线，20日均线，60 日均线。 【通达信】魔鬼操盘（主图）-指标公式源码 均5:MA(CLOSE,5) COLORYELLOW; 均10:MA(CLOSE,10)COLORGREEN; 均30: MA(CLOSE,30) COLORMAGENTA ; 均60: MA(CLOSE, 60) COLORRED POINTDOT LINETHICK3; 均250: MA(CLOSE, 250) COLORBLUE LINETHICK2 ; 魔鬼通道上:均30 + 2*STD(CLOSE,60) COLORYELLOW POINTDOT LINETHICK2 ; 魔鬼通道下:均30 - 2*STD(CLOSE,60) COLORYELLOW POINTDOT LINETHICK2; VAR1:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*100; VAR2:=SMA(VAR1,3,1); VAR3:=SMA(VAR2,3,1); VAR4:=VAR1*1.05; VAR5:=MA(CLOSE,5); VAR6:=(HHV(HIGH,36)-CLOSE)/(HHV(HIGH,36)-LLV(LOW,36))*100; VAR7:=SMA(VAR6,5,1); VAR8:=VOL>REF(VOL,1); VAR9:=MA(VOL/CAPITAL,30)*MA(VOL,60)/10000+MA(CLOSE,30); 【通达信】平均价格（主图）-指标公式源码 A:=(3*C+H+L+O)/6; XJ:=(A+0.618*REF(A,1)+0.382*REF(A,2)+0.236*REF(A,3)+0.146*REF(A,4))/2 .382; YCZXH:=(MA(HHV(A,2),5)+MA(HHV(A,2),13)+MA(HHV(A,2),21)+MA(HHV(A,2),32 ))/4; YCZXL:=(MA(LLV(A,2),5)+MA(LLV(A,2),13)+MA(LLV(A,2),21)+MA(LLV(A,2),32 ))/4; SMH:EMA(YCZXH,21),COLOR004000; SML:EMA(YCZXL,21),COLOR004000; SMJ:(SML+SMH)/2,COLOR004000; 太极量化多因子选股模型简论B 第二：因子的选取 候选因子的选取 （一）大数据因子搜索数据因子，搜索频率因子，搜索关键词因子，关注度因子，大众情绪因子等。其中搜索数据因子影响较为显著。 （二）规模因子通过对给定时间内（时间为为6年）市场的分析，不管是从总市值、还是流通市值和自由流通市值看，A股市场存在较为显著的小盘股效应。市值较小股票构造的组合整体上大幅超越沪深300指数，也**优于总市值较大股票构造的组合。规模因子（总市值、流通市值、自由流通市值）是影响股票收益的重要因子，其中总市值因子最为显著。 （三）估值因子通过6年内市场的分析，整体上来说，从市盈率、市净率、市销率、市现率、企业价值倍数等估值指标看，估值较低的股票组合表现较好。估值较低股票构造的组合整体上超越沪深300指数，也优于估值较高股票构造的组合。估值因子（市盈率、市净率、市销率、市现率、企业价值倍数）是影响股票收益的重要因子，其中市盈率（PE,TTM）因子最为显著，其次是市现率（PCF,TTM）。 （四）成长类因子，营业收入同比增长率、营业利润同比增长率，归属于母公司的近利润同比增长率、经营活动产生的现金流金额 同比增长率。 （五）盈利因子通过对时间内市场的分析，整体上来说，从净资产收益率、总资产报酬率和销售毛利率等盈利性指标看，盈利能力较强的股票组合表现较好。盈利能力较强股票构造的组合整体上超越沪深300指数，也优于盈利能力较弱股票构造的组合。但销售净利率较高股票构造的组合表现反而较差，落后于沪深300指数，也落后于销售净利率较低股票构造的组合。盈利因子（净资产收益率、总资产报酬率、销售毛利率）对股票收益的影响不是特别显著，其中净资产收益率指标较为显著。 （六）股东因子户均持股比例、、户均持股比例变化、机构持股比例变化。其中机构持仓比例变化影响较为显著。 （七）分析师预测因子分析师预测因子（预测当年净利润增长率、预测当年主营业务收入增长率、最近1个月预测净利润上调幅度、最近1个月预测主营营业收入上调幅度、最近1个月盈利预测调高占比、最近1个月上调评级占比）是影响股票收益的重要因子，其中最近1个月净利润上调幅度是最为显著的正向因子。（八）动量反转因子通过对时间内市场的分析，整体上来说，A 股市场上存在较为显著的反转效应，从前1个月涨跌幅、前两个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅看，前期涨幅较小的股票组合表现较好，而前期涨幅较大的股票组合表现较差。前期涨幅较小的股票构造的组合整体上超越沪深300指数，也优于盈前期涨幅较大的股票构造的组合。动量反转因子（前1个月通达信指标公式源码 绝佳抄底副图选股指标
通达信副图指标公式源码大全
选股公式汇总
7种量化选股模型
选股公式源码大全
多因子量化选股模型建立及优化
有关课程关系量化分析的数学模型
选股公式源码
精准抄底大黑马通达信指标公式源码
最新 基于多因子模型的量化选股分析-精品
通达信精准抄底副图指标公式
均线模型量化股票交易
通达信_指标公式源码大全(20200618074821)
量化多因子选股简论(下)
相关主题
文本预览