通达信量化选股公式
通达信的选股公式为xg:v>ref(v，1)*2 and c>ref(c，1)。公式的定义为今天的量大于等于昨天量的2倍，股价上涨。此公式的使用说明有以下几点：1、五行量化指标（浅灰色实心空心方格）：实心代表趋势走好，空心代表趋势走坏；2、操盘动力线指标（黄金线）：短线灵敏指标，低位拐头向上可跟进，高位拐头向下要警惕，附有高低位买卖提示；3、海洋状态指标（彩带）：彩带颜色代表短中期多空趋势，低位转红可跟进，高位变色宜减仓、清仓。量化选股的方法
1、多因素模型(Multiple-factor regression)
多因素模型将那些引起证券价格联动的因素直接加入到收益率公式之中，然后开发基于这些因素的模型，简化投资组合分析所要求的关于证券之间相关系数的输入。模型效果的好坏主要取决于因素的选取，即那些被选定的因素是否足以证明，证券收益率之间联动效应的根源在于那些因素对各证券的共同影响。
2、动量反转选股
有效市场假说分三个层次，分别为弱有效市场、 半强有效市场、 强有效市场分别代表价格反映了历史信息、公开信息和全部信息。
动量效应(Momentum Effect)指的是投资策略或组合的持有期业绩方向和形成期业绩方向一致的股价波动现象;
而反转效应(ContrarianEffect)则指的是投资策略或组合的持有期业绩方向和形成期业绩方向相反的股价波动现象。
3、分类和回归树(Classification and regression tree)
分类和回归树是数据挖掘技术的一种，以递归分割技术为基础(常用于制药学的研究)，包括分类树和回归树：分类树产生定性输出，回归树处理定量输出。
4、神经网络(Neural networks)
因为股市的建模与预测所处理的信息量往往十分庞大，因此对算法有很严格要求，它的非线性动力学特性也非常复杂，所以一般传统的方法对于股市的预测往往难如人意。人工神经网络不仅具有大规模并行模拟处理、网络全局作用和非线性动力学等特点，而且有很强的自适应、自学习以及容错能力，具备传统的建模方法所不具有的许多优点，其可以不必事先知道有关被建模对象的参数、结构以及动态特性等方面的知识， 对被建模对象经验知识要求不高。 而只需给出对象的输入和输出数，通过网络本身的学习功能即可实现输入和输出之间的映射。
绛旓細A:=C/REF(C,1)>1.02 AND C>O;B:=REF(COUNT(A,2)=2,1);XG:B AND V<=REF(V,1) AND C<O;鍏紡宸叉祴璇曢氳繃锛佸笇鏈涜兘澶熷府鍔╀綘锛
绛旓細涓鍒“閫氳揪淇鍛↘閫夎偂鍏紡鎬庢牱甯﹀叆鏃锛熻兘璇︾粏璇磋鍚楋紵”鐨勯棶棰橈紝鏄彈鍒颁簡楂樺害鐨勫叧娉紝鎴戞潵璇翠笅鎴戠殑浜嗚В銆傞夎偂鍏紡閲岄潰锛岃鎶婂懆K鏀瑰彉涓烘棩K鐨勮瘽锛屽彧瑕佹妸杩欎釜鍛ㄧ殑浠ｇ爜鏀规垚鏃ョ殑浠ｇ爜灏卞彲浠ヤ簡銆備絾鏄紝杩欐牱鍙兘浼氫笉濂界敤銆傚鏋滅敤閫夎偂鍏紡鏉ヨ繘琛屾搷浣滅殑璇濓紝閭ｅ氨鏄函绮圭殑鎶鏈淳鐜╁锛屽彧瑕佽兘澶熻禋閽遍兘...
绛旓細绗簩澶╃殑鍋囬槾绾夸笅褰辩嚎瑕佺煭锛岃繖鍙ヨ瘽澶ā绯婏紝搴旇閲忓寲銆傜粰浣犵紪鍐欎簡涓涓紝鏁堟灉杩樺彲浠ャ侻A5:=MA(C,5);AA:=REF(C/O>=1.03,1);BB:=O>REF(C,1) AND C>REF(C,1);CC:=C<O AND C/O>0.98 AND C>MA5;XG:AA AND BB AND CC;...
绛旓細REF(EXIST(V>REF(V,1),5) AND EXIST(C>REF(C,1),5),1) AND CROSS(MA(C,5),L) AND C>MA(C,5);
绛旓細浜屻佸鏋滄兂瑕佸湪閫氫俊杈鹃噷鎻愬彇璺ㄥ懆鏈熸暟鎹紝鍙渶瑕佷娇鐢ㄢ#鈥濆彿閿劧鍚庢寚鏄庢兂瑕佹彁鍙栫殑鍛ㄦ湡鏁版嵁鍗冲彲銆備妇渚嬫棩绾垮浘閲屽鏋滄兂瑕佽幏鍙朘DJ鎸囨爣涓璌鍊肩殑鍛ㄧ嚎鏁版嵁锛屽彲浠ュ湪閿洏涓婅繘琛屽涓嬬殑鍏紡琛ㄨ堪锛氣淜DJ.K#WEEK.鈥濓紝涔嬪悗鍗冲彲璋冨彇K鍊肩殑鍛ㄧ嚎鏁版嵁銆備笉杩囧湪鎻愬彇璺ㄥ懆鏈熸暟鎹殑鏃跺欓渶瑕佹敞鎰忎互涓嬩簨椤癸細閫氳揪淇绯荤粺鍙兘鍏佽浠庤緝鐭懆鏈...
绛旓細AND C<REF(O,1) AND O>REF(C,1) AND C>O AND C/O<1.02 AND (H-L)>2*(C-O) AND L>(REF(C,1)+REF(O,1))/2;浠ヤ笂灏辨槸浣犳兂瑕佺殑鍏紡锛屽笇鏈涘浣犲府鍔┿傦紙浣犻夋嫨鐨勪竴浜涚敤璇嶄笉澶閲忓寲锛屾瘮濡傞暱涓嬪奖绾挎垨闀夸笂褰辩嚎锛屾病鏈夐噺鍖栵紝鎴戜粎鍑劅瑙夊府浣犲畾涔変簡涓涓嬶紝涓嶇煡鏄笉鏄綘鎯宠鐨勶級...
绛旓細灏辫繖涔堢畝鍗曘俴绾閫夎偂鍦閫氳揪淇″叕寮绯荤粺涓疄鐜般閲忓寲涓瀹氳鑺遍挶涔版暟鎹悧锛烳arsh鐨勫厤璐规暟鎹笉濂介椈鍚楋紵鎶鏈寚鏁版槸澶氬皯锛熷浼氳交鏉剧悊瑙ｅ叕寮忎綋绯汇傚悰瀹芥暀浣犲浣曠敤閫氳揪淇℃墦閫犱笓灞炶鐩樺伐鍏枫傜敤閫氳揪淇℃暀浣犲浣曟瀯寤鸿瀺璧勮瀺鍒告寚鏍囥傞噺鍖栦粠妯′豢寮濮嬶紝鏁欎綘杞绘澗鐞嗚В娌熼氬叕寮忋傚鎵嬫暀浣犱娇鐢ㄩ氳揪淇″叕寮忕郴缁熻繘琛岄噾铻嶇爺绌讹紝閬垮厤stepp ...
绛旓細5銆閫夎偂鍏紡鐨勮娉曡鍒欎互鍙婄浉鍏冲嚱鏁板簱銆佸叕寮忓簱锛屽彲浠ヨ嚜宸卞埌杞欢甯姪鑿滃崟涓繘琛屽涔犮備笅闈㈤剻浜轰互鍚岃姳椤鸿蒋浠朵负渚嬶紝鍒涘缓涓涓畝鍗曠殑閫夎偂鍏紡銆傛瘮濡傞夊嚭褰撴棩5鏃ュ潎绾垮拰10鏃ラ噾鍙夌殑鑲＄エ锛岄夎偂鍏紡鏄細SELECT CROSS(MA(CLOSE,5),MA(CLOSE,10),);褰撶劧濡傛灉浣犳兂鎴愪负閲忓寲楂樻墜鐨勮瘽锛岄偅涔堜綘浠氦鏄撶瓥鐣ュ繀椤婚潪甯镐紭绉锛屽彟澶...
绛旓細鍧囩嚎绮樺悎閫夎偂鍏紡 MA5:=MA(C,5);MA10:=MA(C,10);MA20:=MA(C,20);MA30:=MA(C,30);MAX_MA:=MAX(MA5,MAX(MA10,MAX(MA20,MA30)));MIN_MA:=MIN(MA5,MIN(MA10,MIN(MA20,MA30)));绮樺悎搴:=(MAX_MA-MIN_MA)/MIN_MA*100;瑙掑害MA5:=ATAN((MA5/REF(MA5,1)-1)*100)*...
