
10年赚400倍的炒股策略 | python量化(附视频讲解)
给大家分享一个策略,一个在过去10年可以让你的本金翻400倍的选股策略。
这个策略简单到只用了一个选股条件。但是这个选股条件在茫茫多的其他条件当中,却是最强的一个。至少我个人寻寻觅觅了这么多年,回过头来发现,还是没有一个单独的选股条件比它更强。
记得很多人在2009年的时候就说过,这个选股条件在将来不会再有效了,要当心。但是这些人一再的被打脸。不好说2009年到现在的惊人收益,仅仅2016年,通过这个选股条件选出来的股票就涨了100%左右。试问有多少人跑赢了?
不再卖关子了,这个选股条件就是:小市值。本质上就是说,市值越小的股票,在将来上涨的概率越大。
可以将这个条件抽象为一个可以实际投资的策略:在每个月的月底,找出市值最小的10只股票,然后全仓等额买入。每月如此反复。
对,就是这么简单的一个策略,一个每个月只用交易一次其它时间只需要喝茶的策略,从2006年至2016年,11年期间,可以让你的原始资产翻400倍。
当然,现在小市值选股已经越来越成为行业公开的“秘密”,很多高大上的量化基金,背后的逻辑本质上就是简单的小市值选股。
策略知道的人多了,就谁都不能保证它将来可以继续赚钱,例如在2017年就出现了一些回调。
但另一方面,谁都不能保证它将来就不能赚钱。我们唯一知道的是,在过去近30年的A股市场上,它非常的赚钱。在过去100年的美国市场上,他也非常的赚钱。
我们还是回到python代码,下面讲讲我是如何用历史数据去验证这个策略的,用数据说话。
以下是我用到的数据截图。这个数据,包含了所有股票(包括退市)从上市至今每个月的数据,每一行就是一个股票在一个月的相关数据。数据总共约30M。
其中第四列的【是否交易】字段,含义是这个股票在当月的最后一个交易日是否交易。用于排除那些在月末最后一天停牌不能买入的股票。
第五列的【最后一天涨跌幅】字段,含义是这个股票在当月的最后一个交易日的涨跌幅。用于排除那些在月末最后一天涨停不能买入的股票。
接下来就是代码,加上注释、空格,总共也就50多行,python就是这么强大。
这是最终的资金曲线图,起点是1。其实是翻了467倍,接近500倍。同期沪深300指数作为benchmark,也就上涨了十几倍。
若对代码不是很理解的话,可以点击阅读原文观看视频,里面有关于以上代码的逐行讲解。
10年翻400倍的量化策略(上)
10年翻400倍的量化策略(下)
浅谈机器学习和量化投资(上)
浅谈机器学习和量化投资(下)
开发环境安装:Anaconda、PyCharm安装
课程内容介绍
量化投资介绍
量化投资学习方法、资料介绍(资料、数据)
为什么使用Python、Pandas
PyCharm教程
Python基本语法
股票数据的导入、导出
Pandas基础操作
案例:如何计算复权价
移动平均线策略(rolling方法)
择时策略框架
如何对代码进行封装
案例:如何处理停牌日期(apply、merge方法)
案例:日线转换成周线(resample方法)
案例:如何批量导入股票数据(append方法)
案例:如何存储股票数据(hdf5方式)
如何进行数据分组处理(group操作)
单因子、多因子选股策略
选股策略框架
评价模型的各类指标
如何获取实时股票数据
如何进行实盘交易
想要了解更多,扫码回复“python”添加微信好友,进入量化投资交流群。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14