- 综合排序
- 最热优先
- 最新优先
- 来自专栏悦思悦读
开发一款A股选股器
作者在自学机器学习的过程中，尝试开发了一个基于机器学习的A股选股工具。本文是在赤兔的“数据挖掘”小组分享的此次开发过程和心得体会的整理。 A股选股器开发过程 数据来源 就财经类的数据而言，现在各大门户网站都有专门的频道，信息很多，如果对实时要求高，通过爬虫取其中有用的部分应该是一个办法。 但是在我的实验中，基于人的经验来设计过滤器，准确率并不高，50%多一点，也就是比随机的选股稍微好一点。 机器学习建模 接下来考虑选取合适的机器学习算法。 应该不难理解，对于选股工具我们应该更关心准确率。 改进模型 为了提高准确率，在开发过程中，我做了下面这些改进尝试： 一个是扩大样本。 股灾日经常是“千股跌停”，上涨的股票太少了…可以看出在这些“股灾日”的时候，模型也不太准确，出现了失真。 总结与心得 选股工具利用机器学习算法，一般情况下比传统的算法（或者人为经验）的准确率高。
3.3K80发布于 2018-03-15 爬虫技术选股：Python 自动化筛选潜力股
Pandas：高性能的数据处理与分析库，负责对提取的金融数据进行清洗、整理、指标计算与筛选，是实现选股逻辑的关键支撑。2. ：处理抓取到的缺失值、异常值、格式错误等问题，形成标准化数据集；选股逻辑实现：基于价值投资与成长投资的核心指标，预设筛选规则，利用 Pandas 完成自动化筛选；结果输出：将筛选出的潜力股整理为表格，保存为本地文件方便查阅 ，实现自动化筛选选股逻辑是自动化选股的核心，本文结合价值投资的经典指标，预设以下筛选规则（可根据个人投资风格调整）：每股收益（EPS）> 0.3 元（反映个股盈利能力较强）；净利润增长率 > 10%（反映个股具备持续成长潜力 选股逻辑优化本文预设的选股逻辑为基础版本，实际投资中可根据需求扩展：增加更多财务指标：资产负债率、毛利率、现金流净额等；加入行情趋势指标：5 日均线、20 日均线、成交量增长率等；引入量化模型：结合均线策略 这套流程不仅大幅提升了选股效率，还避免了人工选股的主观疏漏，为普通投资者和量化交易爱好者提供了可行的技术方案。
82310编辑于 2026-01-14- 来自专栏sringboot
python N天择时选股策略
也就是说，N日趋势突破买入即为N日创新高买入，股价创出阶段性新高或历史新高后，一方面说明该股有资金在运作，相对比较强势，更容易顺势而上，另一方面创新高后近期买入的投资者都有获利，上档的套牢盘比较少，股价上冲的阻力也较小
1.3K30发布于 2019-11-01 - 来自专栏数说工作室
量化投资之多因子选股模型
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
979170发布于 2018-04-08 - 来自专栏算法一只狗
用几句对话，AI 帮我写完一个“选股神器”：连代码都自动改好了
基于这套能力，我做了一个「股票智能筛选器」Demo，帮助普通用户快速拥有自己的选股 AI。1. 快速构建“股票智能筛选器”2.1 筛选规则（示例） 市值 > 20 亿美元：保证公司规模与流动性； 过去 250 天涨跌幅为正：筛出相对强势个股； 当前股价 ≥ 10 美元：降低“庄股/冷门股”比例 我会提供一份美股股票代码清单，使用 yfinance 获取数据，筛选条件：1）市值 > 20 亿美元；2）过去 250 天涨跌幅 > 0；3）当前股价 ≥ 10 美元。 2.4 初步成果短时间内可完成一个美股智能筛选器：输入股票清单 → 自动拉取数据 → 判断是否满足条件 → 实时表格展示结果。
1.7K20编辑于 2025-09-28 - 来自专栏SaaS加速器
SaaS投资机会：如何选股和估值
来源 ：月球密探阿波罗 作者：密探阿波罗 ---- 上回刚讲了《SaaS股的投资逻辑》，随后的一周港美股市场便分别祭出了700亿美金的Snowflake和550亿港币的明源云。 好行业只是其一，“好公司、好价格”依然是永恒的主题，所以今天要谈的核心就是： SaaS板块如何选股、如何估值。 SaaS选股第一步：细分拆解 实际上，即便在国内，SaaS也不是新概念。 SaaS选股第二步：寻找最好的SaaS公司 说完SaaS细分以及他们的差别后，我们再来看看共性的部分。 回溯美股SaaS20年发展历程，一家能给股东带来丰厚回报的SaaS公司，一定有好的商业模式，并在长周期里成长性和盈利能力都很不错的企业。 什么样的SaaS公司能够做到？ 还是看美股SaaS得到的经验，美股SaaS股价长期稳定向上，回撤较小，企业股价大幅波动主要发生于：成长性大幅波动、利润率显著波动、长期市场格局面临挑战等有限情形。
1.2K50发布于 2020-10-14 - 来自专栏方亮
码农技术炒股之路——选股策略样例
有了之前抓取的数据，我们便可以利用这些数据进行股票分析。（转载请指明出于breaksoftware的csdn博客）
75930发布于 2019-01-16 - 来自专栏全栈程序员必看
股票打板策略分析_打板选股技巧
这里我们只分析一件事情，就是如何打板才能最大概率赚到钱，就是我们可以分析过去一天涨停今天还涨停、分析过去两天涨停今天涨的概率，一直到过去10天涨停今天涨的概率，其实很多人都喜欢打板，但是可能大家都没分析过打板的胜率。
1.2K60编辑于 2022-11-01 - 来自专栏量化投资与机器学习
机器学习选股模型的可解释性分析
道富：机器学习选股，能信吗？ 我们分享了道富如何以可投资及可解释为目标构建机器学习选股模型，在文章中我们提到了一个从Linear、Nonlinear及Interactions三个角度解释模型效果的核心概念：Model Fingerprints
1.8K31发布于 2021-02-07 - 来自专栏数据科学实战
AKShare-股票数据-技术选股-创新低
stock_rank_cxd_ths" # 创新低 创新低 接口：stock_rank_cxd_ths 目标地址：http://data.10jqka.com.cn/rank/cxd/ 描述：同花顺-数据中心-技术选股
78910发布于 2021-11-02 - 来自专栏量化投资与机器学习
【最新研究】基于风险中性的深度学习选股策略
风险中性的机器学习选股模型 模型训练：通过训练样本，确定模型结构，优化模型参数。 预测输出 Y 的维度：3。 机器学习多因子选股模型:从股票特征中提取信息，对股票未来的收益进行预 测，选出能够产生超额收益的股票组合。 多因子选股模型： 挑选出未来一期能够产，生超额收益的股票。 风险中性深度学习选股策略 年化收益率21.95%，最大回撤 -5.03%，胜率为 74.6%，信息比2.92 普通深度学习选股策略 年化收益率19.71%，最大回撤 -5.35%，胜率为 69.5%，信息比 机器学习策略每期组合的同质性：选取的组合有较大的差异 当组合规模N为50时，两种深度学习选股策略平均每期选到的股票有41.9%重合。（参考：两次独立的随机选股中，平均有10%重合。） 当组合规模N为100时，两种深度学习选股策略平均每期选到的股票有53.3%重合。（参考：两次独立的随机选股中，平均有20%重合。）
2.2K50发布于 2018-06-22 - 来自专栏量子位
最新研究：选股回报超40%
金磊 发自 凹非寺 量子位 | 公众号 QbitAI 如果把选股这事交给GPT-4来处理，会是怎样一种结果？ 这个在GPT-4基础上打造的选股票AI，名叫MarketSenseAI。 更是有许多消息拿着数据称“AI永远无法打败股票市场”，认为AI不仅无法预测黑天鹅事件，甚至可能会引发黑天鹤事件： 那么此次基于GPT-4的选股研究是否靠谱，我们继续往下看。 通过这种方式，能够在更广泛的经济环境中对单一股票进行评估。 最后，信号生成这个步骤将上述所有分析整合，生成针对特定股票的投资信号（例如买入、持有或卖出），并提供详细的逻辑和理由。
43010编辑于 2024-01-23 - 来自专栏奇点大数据
深度强化学习选股-上证50指数增强
A6%E4%B9%A0%E9%80%89%E8%82%A1-SH50%E6%8C%87%E6%95%B0%E5%A2%9E%E5%BC%BA） ---- 这里简单的构建了一个使用深度强化学习算法实现多因子选股的框架 例如： 在周一沪市开盘前，Account接受到一个长度为50的向量对应SH50指数成份股的调仓指令，交易员Agent在开盘时分，挂卖单卖出部分股票之后挂买单买入新股票。 理论上使用定量指令可以实现选股和持仓优化的多重目标（如小方差或低换手率等特定目标）。 Agent 使用LSTM网络进行策略和估值的拟合，每个交易日Agent获取该交易日之前的多因子数据[Time, Batch, N]使用LSTM估计指数成份股预期价值方向做出调仓指令。 也就是Agent的功能包括选股、仓位控制和资金管理。 例如做HS300指数增强的时候，向指令向量对应位添加现金、债券、货币基金等选项，直接指定各位置选项的百分比。
1.8K40发布于 2018-04-10 - 来自专栏玩转Lighthouse
10分钟，用OpenClaw打造你的AI选股系统
本文主要以“选股系统”为例，手把手教你如何自定义 Skill 技能，最终“养”一只专属于你的个性化“小龙虾”。 通过本文带你完成这件事：从服务器部署，到 QQ 机器人接入；从股票分析 Agent 人设设计，到实时数据打通；最后，实现每天自动筛选 5 支潜力股。注意：本文更多是技术实践分享，不做任何交易策略推荐。 一键部署 OpenClaw在调试选股技能之前，需要先完成 OpenClaw 部署以及接入 QQ 机器人的流程，步骤大概如下：购买一台腾讯云轻量应用服务器 Lighthouse，直接选择 OpenClaw 如果直接问 QQ 机器人查询股票情况，QQ 还没反应过来的话，先问它现在有哪些 skill，唤醒它已经安装了股票 skill 的记忆，之后，就可以顺利对话了：）总结当你跟随本教程走完整个流程，你不仅获得了一个选股系统
94.7K15149编辑于 2026-03-02 - 来自专栏量化投资与机器学习
RNN增强—ACT（自适应计算次数）多因子选股模型
LSTM 选股模型 当需预测信息和相关信息距离较远时，原始 RNN 结构的传输的效率并不让人满意。 在此我们略去 ACT模型的严格的数学定义，通过对A股市场多因子模型的应用，我们直接观察ACT的RNN网络选股效果，并与传统的RNN(LSTM)网络多因子选股模型进行对比。 从本次的对照来看，在多因子选股上，我们能够观察到速度的提高，从 LSTM 在7000 次迭代时的收敛提高到 ACT 的 5000 次以下的收敛。 选股特征分 在机器学习的算法中，我们评价一个学习网络的准确率是通过全部测试样本的预测结果来计算的。但是在选股中，我们更关心的是算法预测上涨的组合的实际胜率。 因此，我们选择计算看多组合中，概率最高的 100 只股票进入真实涨幅前100股票的比例，作为衡量算法选股的准确性标准。
2.4K71发布于 2018-01-29 - 来自专栏量化小白上分记
多因子尝试（一）：因子加权方法在选股中的应用
之前在A股动量与反转的实证过程中，提到了因子择时和风格轮动的重要性，本篇算是对因子择时的一个小小的尝试，没有什么创新性，只是把现在比较传统的方法都拿来试了一遍，目前没有能力创造方法，只做方法的搬运工。 文章组合构建过程中选取了3个代表性因子BP（LF）、一个月动量因子、市值因子（市值对数），尝试通过六种不同的加权方式对这三种因子进行组合，计算因子得分，根据因子得分进行选股，具体如下： 调仓频率：月度（ 每月末调仓） 回测区间：2010-01-04~2018-07-31 股票池：A股，剔除ST、停牌、新股 选股规则：将三因子的加权和作为因子得分，每一期买入因子得分最高的前10%股票 六种加权方法分别为： 参考文献 安信证券－多因子系列报告之一：基于因子IC的多因子模型 金融工程-半衰IC加权在多因子选股中的应用
7.5K31发布于 2019-08-29 - 来自专栏量化投资与机器学习
获取更稳健的收益：趋势策略与因子选股的结合
通过结合基于因子的选股的进攻策略和多指标趋势跟踪的防御策略，投资者可以做到这一点。这种组合策略的目标是通过优质的股票选择产生长期优于市场的回报，同时通过使用强劲的趋势跟踪策略显著降低下行风险。 单因子选股策略 基于因子的选股模型是一种系统性的投资策略，根据某些关键特征或因子选择个股，这些特征或因子已被证明能够产生卓越的长期投资业绩。 如图1所示，基于过去22年的年化回报率，每个因子组合在都大大超过了标普500和标普综合1500股指。在风险调整的基础上，每个因子组合的表现也优于两个股票市场指数。 趋势跟踪与因子选股的结合 从图2中可以看出，在过去的22年里，将这种多指标趋势跟踪策略应用于各因子组合，显著提高了各因子策略的绝对收益和经风险调整后的收益。 然而，将基于因子的选股与以防御为重点的多指标趋势跟踪策略相结合，作为投资组合叠加，投资者可以显著降低这种选股方式的风险，并获得更好的长期绝对收益和风险调整后的收益。
96840编辑于 2022-02-28 - 来自专栏算法一只狗
10分钟打造你的AI选股系统：OpenClaw每日自动筛选5支潜力股
这篇文章，会手把手带你完成这件事：从服务器部署，到QQ机器人接入；从股票分析Agent人设设计，到实时数据打通；最后，实现每天自动筛选5支潜力股。不需要写复杂代码。不需要专业量化背景。 stock-dailyagent，同时让这个Agent也接入浏览器skill能力接下来，测试一下是否正确调用Finnhub，如果有返回数据则说明接入成功最后效果我让openclaw帮我输出一份盘前的报告，帮助我进行选股
6.4K113编辑于 2026-02-19 - 来自专栏量化投资与机器学习
【价值投资逻辑】高质量、低估值选股模型（代码+报告）
WindQuant | 001 一、因子提取 1、回测区间：2007年1月30日至2018年6月29日； 2、调仓日：每月最后一个交易日为调仓日，以每月最后一个交易日的收盘价买入卖出； 3、股票池：全部A股； 剔除选股日的ST/PT 股票；剔除上市不满一年的股票；剔除选股日由于停牌等原因而无法买入的股票； 4、因子选取如下所示： 部分代码展示，全部代码请见文末 二、投资组合构建 选股逻辑 1、扣除有ST标示、
1.8K50发布于 2018-10-25 - 来自专栏量化投资与机器学习
【深度研究】Stacking 集成学习在多因子选股中的应用
在华泰金工前期的人工智 能选股报告中，我们分别介绍了广义线性模型、SVM、朴素贝叶斯、随机森林、Boosting、 神经网络模型在多因子选股中的应用。 在选股领域，使用模型的夏普比率(Sharpe)来衡量。 模型选股测试结果和IC值分析 在“Stacking集成学习中基模型的对比和选取”一章中，我们得出在全A选股情况下，XGBoost_6m以及逻辑回归_6m最适合与XGBoost_72m进行Stacking 我们构建了全A选股策略并进行回测，各项指标详见图表23，选股策略是行业中性策略，策略组合的行业配置与基准（沪深300、中证500、中证全指）保持一致，各一级行业中选N个股票等权配置（N=2,3,4,5,6 我们构建了全A选股策略并进行回测，各项指标详见图表27，选股策略是行业中性策略，策略组合的行业配置与基准（沪深300、中证500、中证全指）保持一致，各一级行业中选N个股票等权配置（N=2,3,4,5,6
2.5K21发布于 2018-05-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号