假定我們忽略掉個人主觀情緒而去選擇跟隨資金以及市場的選擇，那麼如果主力資金是看多的，形成的就是個股的K線會是一個紅柱（無論是否是假陽線或者陰線），因為在收盤價高於開盤價，基本上可以認為市場的買方力量是強於賣方的，對於綠柱亦然。
在此基礎上，如果在一段時間內的個股K線是紅綠多於綠柱，那麼可以認為市場資金是做多為主，這個時候選擇跟隨性介入，大機率是不會虧損，因為趨勢是向上的，慣性的力量一般不會形成尖頂，而多數會有震盪，那麼從機率角度來看，這種的價效比乃至賠率都較為划算。
如果在此基礎上做一些略微的篩選，成功率會增多：
選擇成交量較為溫和的，日均成交額大於5000W；
剔除掉部分上下影線較多的股；
紅柱/綠柱>1。3；
區間漲幅在（0，2）；
程式碼如下：
#統計1-2個月內日K陰陽線的數量來判斷主力資金
importtushareasts
importpandasaspd
importpickle
fromdatetimeimportdatetime，date
fromdatetimeimporttimedelta
token =‘fc087ee503a6feac6cf5dde3e409dc44613d395bab12a4c4470707a4’
ts。set_token（token）
pro = ts。pro_api（token）
pd。set_option（‘display。width’，1000）#顯示所有列，從左至右，不隱藏
pd。set_option（‘display。max_columns’， None）#顯示所有列，可能會隱藏中間
pd。set_option（‘display。max_rows’， None）
#匯入股票池
stock_file =open（r‘C：\Py_stock\pool。pkl’，‘rb’）
pool = pickle。load（stock_file）
defstock_para（df，s）：
code = df。iloc［s，1］［：6］
trade_date = df。iloc［s，］
open = df。iloc［s，2］
high = df。iloc［s，3］
low = df。iloc［s，4］
close = df。iloc［s，5］
pre_close = df。iloc［s，6］
change =round（df。iloc［s，7］，2）
ptc_chg =round（df。iloc［s，8］，2）
vol = df。iloc［s，9］
amount =round（df。iloc［s，10］，2）
turnover_rate =round（df。iloc［s，11］，2）
volume_ratio =round（df。iloc［s，12］，2）
open_chg =round（（（open - pre_close）/pre_close*100），2）
high_chg =round（（（high - pre_close）/pre_close*100），2）
low_chg =round（（（low - pre_close）/pre_close*100），2）
# print（code，trade_date，open，high，low，close，pre_close，change，ptc_chg，vol，amount）
# print（open_chg，high_chg，low_chg）
returntrade_date，open，high，low，close，pre_close，ptc_chg，vol，amount，open_chg，high_chg，low_chg，turnover_rate，volume_ratio
defRS_day（）：
day1 = date。today（）。strftime（“%Y%m%d”）
day2 = （date。today（） - timedelta（days=60））。strftime（“%Y%m%d”）
# print（day1，day2）
returnday1，day2
defGR_gem（open，close，amount，vol，open_chg，high_chg，low_chg，ptc_chg，turnover_rate）：
#無法選中部分交易日成交量或者成交額極低的時候會被自動排除
flag1 = -2
flag2 = -2
flag3 = -2
green_vol =0。0
red_vol =0。0
ifclose >4andvol >5000andamount >40000and（close - open） >=：
flag1 =1
ifvol > red_vol：
red_vol = vol
ifclose >4andvol >5000andamount >40000and（open - close） >：
flag2 =
ifvol > green_vol：
green_vol = vol
#針對上下影線較多做一個剔除
if（（high_chg-ptc_chg）>3and（high_chg-open_chg）>3）or（（ptc_chg-low_chg）>3and（open_chg-low_chg）>3）：
flag3 = -1
returnflag1，flag2，flag3，green_vol，red_vol
defGR_count（pool，RS_day）：
day1 = RS_day［］
day2 = RS_day［1］
print（day2，day1）
GR_df = pd。DataFrame（columns=［‘code’，‘Red_count’，‘Green_count’，‘Needle_count’，‘GR_ratio’，‘Needle_ratio’，‘is_GR’］）
# pool = ［‘002920。SZ’］
forts_codeinpool：
# try：
Red_count =
Green_count =
Needle_count =
GR_ratio =0。0
Needle_ratio =0。0
df = ts。pro_bar（ts_code=ts_code，adj=‘qfq’，start_date=day2，end_date=day1，factors=［‘tor’，‘vr’］，ma=［5，10，20，30］）
df1 = df。sort_values（by=‘trade_date’）
# print（df1）
pri_end = df1。iloc［-1，5］
pri_start = df1。iloc［，5］
pri_chg =round（（pri_end-pri_start）/（pri_start+0。01），2）
# print（‘start：’，pri_start，pri_end）
code = ts_code［：6］
lenth =len（df1［‘ts_code’］）
#求區間內的量能平均值並與最大陰線的量能做對比
vol_sum = df1［‘vol’］。sum（）
vol_avr =round（vol_sum/（lenth+0。1），2）
# print（vol_sum，vol_avr）
print（‘股票程式碼：’，code，lenth）
forsinrange（lenth）：
date，open，high，low，close，pre_close，ptc_chg，vol，amount，open_chg，high_chg，low_chg，turnover_rate，volume_ratio = stock_para（df1，s）
flag_1，flag_2，flag_3，green_vol，red_vol = GR_gem（open，close，amount，vol，open_chg，high_chg，low_chg，ptc_chg，turnover_rate）
# print（date，open，close，flag_1， flag_2， flag_3）
ifflag_1 ==1：
Red_count = Red_count +1
# print（‘選中Red目標……’，Red_count，‘……’）
ifflag_2 ==：
Green_count = Green_count +1
# print（‘選中Green目標……’，Green_count，‘……’）
ifflag_3 == -1：
Needle_count = Needle_count +1
GR_ratio =round（Red_count/（Green_count+0。01），2）
Needle_ratio =round（Needle_count/（Green_count + Red_count +0。01），2）
lenth_ratio =round（（Green_count + Red_count）/lenth，2）
# print（Red_count，Green_count，Needle_count，GR_ratio，Needle_ratio）
ifGR_ratio >1。4andlenth_ratio >0。8andNeedle_ratio
ifgreen_vol > （2*vol_avr）orred_vol > （2*vol_avr）：
GR_df = GR_df。append（pd。DataFrame（{‘code’： code，‘Red_count’： Red_count，‘Green_count’： Green_count，‘Needle_count’：Needle_count，‘GR_ratio’： GR_ratio，‘Needle_ratio’：Needle_ratio，‘is_GR’：‘Yes’}，index=［］），ignore_index=True）
else：
GR_df = GR_df。append（pd。DataFrame（{‘code’： code，‘Red_count’： Red_count，‘Green_count’： Green_count，‘Needle_count’：Needle_count，‘GR_ratio’： GR_ratio，‘Needle_ratio’：Needle_ratio，‘is_GR’：‘No’}，index=［］），ignore_index=True）
print（GR_df）
returnGR_df
# except：
# print（ts_code，‘在選中日期內沒上市……’）
if__name__ ==‘__main__’：
RS_day = RS_day（）
GR_df = GR_count（pool，RS_day）
withpd。ExcelWriter（r‘C：\Users\FRL2\Desktop\yxc\GR_T202006120。xlsx’）aswriter：
GR_df。to_excel（writer，sheet_name=‘GR_df’）
篩選結果如下：
Bug：
選中的個股中，有少數莊股無法剔除掉；
部分很差的股也會因為概念被選中；
暫且來看，準確率還是比較樂觀的，如果在基於基本面和個人喜好研究一下，應該會有不錯的回報率，後續準備去實盤實踐。。。
