我认为这是Python又一次炫技，但是我没有证据

以前说30岁前不碰股票，但随着对于一些投资理财类书籍的学习和了解，不再满足于定投基金这样的操作，于是拿出了一部分钱，做起了在股市里搏杀的实验，每每想起开户那一刻，都有一种电视剧《大时代》里方展博在交易所拥抱阿梅的遐想，当日恒生指数反弹上涨 4000多点。（当然，这只是剧情需要）

那该买什么样的股票呢？必有其策略，如果人可以通过策略实现选股，那便可以用 Python 遍历实现又快又好地选出目标标的，有策略的落地更有效率。

一、策略拆解

但凡策略，背后就有其理论。无论是价值投资，还是市盈率法，亦或者基本面分析，都需要拆解成可操作的指标。今天要分享的策略实现，我们姑且称之为“庄股理论”，意指找出庄家“挟持”的股票标的，跟着庄家吃点汤，获点小利。（友情提示：投资有危险，入市需谨慎。本例，仅作为 python 选股示例，目标标的不构成投资建议）

庄股理论（你可以不认可此理论，此处仅作为策略拆解示例）认为，一个被庄家挟持的股票，必然存在以下阶段：

阶段一：吸筹阶段

定义其在 8个交易日内，有且仅有 2-4个涨停板

阶段二：洗盘阶段

定义其40个交易日内，整体跌幅在-20%~-35%之间

阶段三：拉升阶段

定义其在 2 个交易日内，日均成交额是吸盘阶段日均成交额的 3 倍，且呈上升趋势

拆解完策略（当然我这里写的过于简单，实际拆解策略的环节其实是比较复杂的，需要反复研究理论并打磨，甚至还需要找相关专业人士沟通，有点开发沟通需求的意思）

二、用Python如何具体实现？

一些网站或接口已经整理好了此类我们需要的信息，我们不需要重复造轮子，只需要去调用相应的接口即可，此处使用tushare包，在社区（https://tushare.pro/）简单注册即可（部分接口数据可能需要一点积分，不算要求太高，比较容易获得）

1.参照数据接口的提示，调用 tushare中我们需要的数据

2.实现策略拆解中的详细定义，简单讲就是利用 pandas 按目标条件筛选

3.剔除掉一些新上市（一年内）、退市或者暂停

4.打印选出来的股票代码

说明：由于该策略过于保守，可能很多时候并不会有合适标的入选

5.对选出的股票进行跟踪，验证策略的有效性及后续进行跌代

比如说，一开始，我没有对次新股做剔除，也没有对入选前的一段时间做涨跌停限制，选出了一只次新股，新诺威（SZ:300765）。

虽然再代码选出当日涨了 4%，但随后一段时间的表现并没有如我所料想的那样，庄家带资拉起来。（次新股大概率不太可能）

当然，我也并没有对选出的股票做出买入操作，也就没有什么损失。这里提一下的目的，仅仅是想说，策略是需要持续拿结果数据验证和不断迭代的。比如说去修改我们做出的操作性指标定义，去把交易日范围缩小，把涨跌幅限制扩大一点等等。不过这些改动，最终要合乎理论。甚至说，我们去放开一点，用 python 限定结果，在结合人工干预的方式来选择合适的股票，这些都是可以操作的。

三、后记

Python 选股本身并没有不玄乎或者对技术本身有多高的要求，反而是很简单的 python 水平对现实的一点改造，提高选取股票的效率。或许你对我所举例的策略并不认可（哈哈，其实我也不是很认可，主要是帮朋友实现这一个策略而已），不妨思考以下，将自己认可的投资理财理论，结合数据，去做一些技术上的实现。

在股票界，曾经看到过一句话：“技术分析事后看永远是对的。”那股票技术分析到底可靠么？其实这个问题很多人争得你死我活，各有说辞，也不能简单地去判断对错。在我认为技术分析的本质是搏概率，提效率。通俗的讲，技术分析的方法就是根据策略，提高选股效率，拉升胜率。

其实，策略和技术，不是简单的结合，而是有机的、深度的结合。从效率角度，我对于“科技是第一生产力”是毫不怀疑的。但就算是99%的胜率，只要不是100%，就有可能失败。

在运用技术分析的时候，用什么策略不是关键，关键是你认定了一个指标之后，愿不愿去深度研究，降低风险。最终，能否赚钱取决于自己是否低风险介入。

再次提醒：投资有风险，入市需谨慎！

叶老师个人Vx：monkeyye9201，对商业分析感兴趣盆友，可加老师Vx交流。

完整代码参考如下：

• 
  

# 导入相关包

import tushare as ts

import pandas as pd

import numpy as np

import time

import datetime

# tushare_pro token设置

ts.set_token(your token)

pro = ts.pro_api()

# 股票列表，方便获取所有股票代码

df = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,fullname,\

    enname,market,exchange,curr_type,list_status,list_date,delist_date,is_hs')



last_date=(datetime.datetime.now()+datetime.timedelta(days=-365)).strftime('%Y%m%d')



# 仅筛选上市公司，退市或暂停上市的不管

df_filter=df[df['list_status']=='L']



# 对近一年内上市的股票进行剔除，即剔除次新股

df_filter=df_filter[df_filter['list_date']


df_code=df_filter['ts_code']

stock_code=np.array(df_code).tolist()

# print(len(stock_code))

# 遍历股票代码，实现对吸筹概念定义的筛选

stock_xc=[]

stock_xp=[]

stock_ls=[]

start_date=(datetime.datetime.now()+datetime.timedelta(days=-200)).strftime('%Y%m%d')

end_date=(datetime.datetime.now()+datetime.timedelta(days=0)).strftime('%Y%m%d')



# 获取股票日线行情

for i in stock_code:

    # print(i)

    try:

        df=pro.query('daily',ts_code=i,start_date=start_date,end_date=end_date)

        df=df.rename(columns={'ts_code':'股票代码','trade_date':'交易日期','open':'开盘价','amount':'成交额 （千元）','high':'最高价','low':'最低价','close':'收盘价','pre_close':'昨收价','change':'涨跌额','pct_chg':'涨跌幅 （未复权)','vol':'成交量 （手）'})

    # 吸筹前 30 个交易日，没有涨停



        df_pre=df[50:80]



    # 完整策略周期是50个交易日，分为4个阶段

    # 阶段①：吸筹阶段 ，8个交易日内

        df_xc=df[42:50]  



    # 阶段②：洗盘阶段，40个交易日内

        df_xp=df[2:42]



    # 阶段③：拉升阶段，2个交易日内

        df_ls=df[0:2]



    # 计算前 30 个交易日，是否有涨停

        df_pre=df_pre[df_pre['涨跌幅 （未复权)']>=10]

        pre_cnt=df_pre['交易日期'].count



    #  计算涨停板的个数

        df_xc=df_xc[df_xc['涨跌幅 （未复权)']>=10]

        zt_cnt=df_xc['交易日期'].count()



        if pre_cnt<1:



            if zt_cnt>=2 | zt_cnt<=4:

        #         符合条件，加入候选名单

                stock_xc.append(i)

        #         再行判断是否满足条件2

                end_close=df_xp[0:1]['收盘价'].values[0]   # 结束日收盘价

                start_open=df_xp[-1:]['开盘价'].values[0]   #初始日开盘价

                rate=(end_close-start_open)/start_open

                if rate>=-0.35 and rate<=-0.20:

                    stock_xp.append(i)

                    amount_pull_mean=df_ls['成交额 （千元）'].mean()

                    amount_xc_mean=df_xc['成交额 （千元）'].mean()



                    df_xc['方向']=df_xc['涨跌额'].apply(lambda x: -1 if x<0 else 1 )

                    up_avg=df_xc['方向'].count



                    if amount_pull_mean>=3*amount_xc_mean and up_avg==1:

                        stock_ls.append(i)

                        # print("真棒！百里挑一选出了一支股票:"+ i)

                    else:

                        pass   

                else:

                    pass        

            else:

                pass

            time.sleep(0.1)   #积分有限，调用次数有限，其实可以每次请求当日数据执行到数据，减少请求

        else:

            pass

    except:

        pass

if len(stock_ls)==0:

    print("很遗憾，今天没有合适的标的，不如明天再来试试看！")

else:

    for code in stock_ls:

        print("恭喜你，百里挑一撸了一只："+code)



print("everything is ok")