盘后选股收益情况（11月18日）
展开
数据来源 onestock188
不管是量化还是模型，简单的理解就是让CPU代替你的代码，帮你复盘选股，计算买卖参考价。
先看近期的结果，在说如何使用。
11月14日盘后数据计算出来的股票池(17日买入，今天卖出)
格尔软件
参考买价 22.74 买入成交
高于参考买价0.8% 22.92 买入未成交
低于参考买价0.8% 22.56 买入未成交
买入成本 22.74，18日参考卖价 27.82。以参考卖价卖出T+1总收益22.45%。该股连续两天涨停，如果18日看走势未卖出，则收益更大。
德业股份
参考买价 81.22 买入成交
高于参考买价0.8% 81.87 买入成交
低于参考买价0.8% 80.57 买入成交
买入成本81.22，18日参考卖价 87.35,。以参考价卖出87.35卖出，未成交。已昨日收盘价83.75卖出的话，成交T+1总收益为 3.11%
万泽股份
参考买价 20.98 买入未成交
高于参考买价0.8% 21.15 买入未成交
低于参考买价0.8% 20.81 买入未成交
11月17日盘后数据计算出来的股票池(18日买入，19日卖出)
国盛证券
参考买价 17.4 买入未成交
高于参考买价0.8% 17.54 买入未成交
低于参考买价0.8% 17.26 买入未成交
东山精密
参考买价 69.1 买入未成交
高于参考买价0.8% 69.65 买入未成交
低于参考买价0.8% 68.55 买入未成交
三联锻造
参考买价 22.53 买入成交
高于参考买价0.8% 22.71 买入成交
低于参考买价0.8% 22.35 买入成交
买入成本价22.53。等19日看T+1收益情况
下面介绍我是如何利用量化策略库+模型+ds进行数据计算以及相关参考价计算的。
盘后量化复盘：散户的智能投资决策系统
用算法克服人性弱点，让投资决策回归理性
在波动剧烈的股市中，个体投资者最大的劣势往往不是信息不足，而是情绪波动和决策不一致。盘后量化复盘系统正是解决这一痛点的利器，它将投资变为科学。
一、智能复盘：从数据海洋中提取黄金信号
传统复盘最大的问题是信息过载和认知偏差。投资者容易被当日涨跌左右判断，而量化复盘系统能冷静分析全市场数据，找出真正有价值的信号。
核心复盘流程：
数据整合：系统盘后自动下载当日行情、资金流、基本面变化等多元数据
信号提取：通过200+个量化因子（如技术指标、资金流向、市场情绪等）全面评估每只股票
策略匹配：根据不同市场环境（牛市、熊市、震荡市）自动调整因子权重，优化策略适应性
这个过程的精髓在于全面性和纪律性——系统不会因为一只股票“感觉不错”就推荐，而是基于严格的数据分析
。
二、量化策略库：你的智能武器库
量化策略库如同一个智能武器库，包含多种经过回测验证的投资策略
。关键在于策略的多元化和互补性。
主要策略类别：
趋势跟踪策略：适用于单边市场，捕捉主力资金推动的长期趋势
均值回复策略：在震荡市中捕捉股价过度反应的机会
因子投资策略：基于价值、成长、动量等因子选股
事件驱动策略：利用财报、分红、并购等事件套利
优秀量化系统的核心能力是策略自适应——当市场风格变化时，系统能自动检测并调整主导策略
。例如，2024年A股市场中，多因子策略通过动态权重调整实现了12%的相对收益
。
三、预测模型：深度学与传统算法的融合
现代量化系统将传统计量经济学模型与深度学相结合，形成多层次预测框架：
传统模型层：
ARIMA时间序列分析：预测短期价格走势
G ARCH 模型：评估波动率聚类效应
蒙特卡洛模拟：评估极端市场情境下的表现
AI模型层：
图神经网络：分析股票关联性和传染效应
Transformer架构：处理多维时间序列数据
强化学：动态优化交易规则
深度学的优势在于能处理高维度非线性关系，这是传统模型难以捕捉的
。例如，通过深度残差网络合成的因子，相比传统线性因子有显著的信息增益
。
四、DeepSeek：量化决策的认知革命
DeepSeek等大语言模型为量化投资带来认知维度的突破
。它们不仅能处理数值数据，还能理解文本、研报、新闻等非结构化信息。
三大革命性应用：
策略生成革命：通过自然语言描述，自动生成策略代码框架。传统需数周完成的策略开发-回测流程，现可缩短至分钟级
市场认知深化：模型通过数千万篇研报的训练，内化了分析师多年的市场认知经验，能识别传统量化模型忽视的细
动态适应能力：通过GRPO（群组相对策略优化）等强化学算法，使策略具备动态适应市场变化的能力，自动平衡进攻与防御配置
DeepSeek的开源生态还促进了策略开发的民主化，个人投资者也能接触到机构级的分析工具
不管是量化还是模型，简单的理解就是让CPU代替你的代码，帮你复盘选股，计算买卖参考价。
先看近期的结果，在说如何使用。
11月14日盘后数据计算出来的股票池(17日买入，今天卖出)
格尔软件
参考买价 22.74 买入成交
高于参考买价0.8% 22.92 买入未成交
低于参考买价0.8% 22.56 买入未成交
买入成本 22.74，18日参考卖价 27.82。以参考卖价卖出T+1总收益22.45%。该股连续两天涨停，如果18日看走势未卖出，则收益更大。
德业股份
参考买价 81.22 买入成交
高于参考买价0.8% 81.87 买入成交
低于参考买价0.8% 80.57 买入成交
买入成本81.22，18日参考卖价 87.35,。以参考价卖出87.35卖出，未成交。已昨日收盘价83.75卖出的话，成交T+1总收益为 3.11%
万泽股份
参考买价 20.98 买入未成交
高于参考买价0.8% 21.15 买入未成交
低于参考买价0.8% 20.81 买入未成交
11月17日盘后数据计算出来的股票池(18日买入，19日卖出)
国盛证券
参考买价 17.4 买入未成交
高于参考买价0.8% 17.54 买入未成交
低于参考买价0.8% 17.26 买入未成交
东山精密
参考买价 69.1 买入未成交
高于参考买价0.8% 69.65 买入未成交
低于参考买价0.8% 68.55 买入未成交
三联锻造
参考买价 22.53 买入成交
高于参考买价0.8% 22.71 买入成交
低于参考买价0.8% 22.35 买入成交
买入成本价22.53。等19日看T+1收益情况
下面介绍我是如何利用量化策略库+模型+ds进行数据计算以及相关参考价计算的。
盘后量化复盘：散户的智能投资决策系统
用算法克服人性弱点，让投资决策回归理性
在波动剧烈的股市中，个体投资者最大的劣势往往不是信息不足，而是情绪波动和决策不一致。盘后量化复盘系统正是解决这一痛点的利器，它将投资变为科学。
一、智能复盘：从数据海洋中提取黄金信号
传统复盘最大的问题是信息过载和认知偏差。投资者容易被当日涨跌左右判断，而量化复盘系统能冷静分析全市场数据，找出真正有价值的信号。
核心复盘流程：
数据整合：系统盘后自动下载当日行情、资金流、基本面变化等多元数据
信号提取：通过200+个量化因子（如技术指标、资金流向、市场情绪等）全面评估每只股票
策略匹配：根据不同市场环境（牛市、熊市、震荡市）自动调整因子权重，优化策略适应性
这个过程的精髓在于全面性和纪律性——系统不会因为一只股票“感觉不错”就推荐，而是基于严格的数据分析
。
二、量化策略库：你的智能武器库
量化策略库如同一个智能武器库，包含多种经过回测验证的投资策略
。关键在于策略的多元化和互补性。
主要策略类别：
趋势跟踪策略：适用于单边市场，捕捉主力资金推动的长期趋势
均值回复策略：在震荡市中捕捉股价过度反应的机会
因子投资策略：基于价值、成长、动量等因子选股
事件驱动策略：利用财报、分红、并购等事件套利
优秀量化系统的核心能力是策略自适应——当市场风格变化时，系统能自动检测并调整主导策略
。例如，2024年A股市场中，多因子策略通过动态权重调整实现了12%的相对收益
。
三、预测模型：深度学与传统算法的融合
现代量化系统将传统计量经济学模型与深度学相结合，形成多层次预测框架：
传统模型层：
ARIMA时间序列分析：预测短期价格走势
G ARCH 模型：评估波动率聚类效应
蒙特卡洛模拟：评估极端市场情境下的表现
AI模型层：
图神经网络：分析股票关联性和传染效应
Transformer架构：处理多维时间序列数据
强化学：动态优化交易规则
深度学的优势在于能处理高维度非线性关系，这是传统模型难以捕捉的
。例如，通过深度残差网络合成的因子，相比传统线性因子有显著的信息增益
。
四、DeepSeek：量化决策的认知革命
DeepSeek等大语言模型为量化投资带来认知维度的突破
。它们不仅能处理数值数据，还能理解文本、研报、新闻等非结构化信息。
三大革命性应用：
策略生成革命：通过自然语言描述，自动生成策略代码框架。传统需数周完成的策略开发-回测流程，现可缩短至分钟级
市场认知深化：模型通过数千万篇研报的训练，内化了分析师多年的市场认知经验，能识别传统量化模型忽视的细
动态适应能力：通过GRPO（群组相对策略优化）等强化学算法，使策略具备动态适应市场变化的能力，自动平衡进攻与防御配置
DeepSeek的开源生态还促进了策略开发的民主化，个人投资者也能接触到机构级的分析工具
主题股票：
主题概念：
声明：遵守相关法律法规，所发内容承担法律责任，倡导理性交流，远离非法证券活动，共建和谐交流环境！
