彼得林奇选股策略的原理以及python选股实现的框架

最新推荐文章于 2025-10-26 16:46:09 发布
原创 最新推荐文章于 2025-10-26 16:46:09 发布 · 2.2k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍彼得林奇的选股策略，核心是利用PEG指标评估股票的价值和成长性。PEG=市盈率/收益增长率，该比值越小，股票被低估的可能性越高。文章还介绍了如何使用Python进行选股实现。

彼得林奇选股策略的原理以及python选股实现的框架

彼得林奇选股的核心策略是，利用PEG指标选股：

PEG = 市盈率/收益增长率。该值越小，说明股票被低估的可能性越高，因而上涨的可能性越高。

其中:

PE(市盈率)=股价(P)/EPS（每股收益）

G(收益增长率)=(EPS_{i}  - EPS_{i-1} )/EPS_{i-1} 

PEG参数即考察价值，又兼顾了成长性。PEG适用于成长型的公司。

 

 

 

 

彼得林奇选股策略解析
AI 领航者的博客
10-21 869
本文的目的是全面解析彼得林奇的选股策略，使投资者能够深入理解其投资理念和方法，并将其应用于实际的股票投资中。我们将涵盖彼得林奇选股策略的各个方面，包括核心概念、算法原理、操作步骤、数学模型以及实际应用案例等。通过对这些内容的详细讲解，帮助读者掌握如何运用彼得林奇的方法筛选出具有投资价值的股票。核心概念与联系：介绍彼得林奇选股策略的核心概念，包括成长股、价值股、困境反转股等，并阐述它们之间的联系。
可预测性评级在彼得林奇选股中的作用
AI天才研究院
03-18 817
本文章旨在全面剖析可预测性评级在彼得林奇选股策略中的具体作用。通过对相关概念、算法、数学模型的深入探讨，结合实际案例和应用场景，为投资者提供一个系统的视角来理解和运用可预测性评级进行股票投资。范围涵盖了可预测性评级的基本原理、与彼得林奇选股方法的结合方式、在实际投资中的应用以及相关的工具和资源等方面。本文将按照以下结构进行阐述：首先介绍相关核心概念和它们之间的联系，通过文本示意图和 Mermaid 流程图进行清晰展示；接着详细讲解可预测性评级的核心算法原理和具体操作步骤，并用 Python 源代码进行说明。
大师系列彼•奇层查股
长亭路
05-02 520
原 大师系列之彼得•林奇基层调查选股法          前几期文章粗略讲了一套多因子选股策略的构建流程。这期，我们来研究下投资大师——彼得•林奇的选股策略。 彼得•林奇被称为全世界最成功的股票投资家和证券投资基金经理之一。在 1997—1990 年这 13年之内，林奇作为麦哲伦基金（Megellan Fund）的基金经理人创造了惊人的业绩——13...
使用python进行选择股票
08-22
使用python进行选择股票，制定选股策略
python数据分析实战-均线选股策略实践
Saki_Python的博客
01-29 1333
在前文中已经讲述了Java爬虫-股票k线分析实践，在本文中将继续以此为基础分享另一种选股策略-均线选股策略。均线策略是一种慢周期的选股策略，可以剔除那些短期被操作的股票标的。可以选择长期趋势向上的股票择优投资，从概率上提高投资的成功率。在本文中，介绍了如何使用python语言建立均线策略选股，通过MA20的月线趋势结合交易量和交易均价来选择股票，通过以上的方式可以从众多的股票中获取趋势走好的股票，从这种股票池中选择代码，可以获取更高的成功率。
著名基金经理彼得林奇的选股原则
小壁虎的春天
09-01 2077
彼得林奇被称为史上最杰出的基金经理，从1977年彼得林奇接管麦哲伦基金到1990年退休的13年间，基金年复合收益率高达29%，总投资收益高达27倍，创下了基金业绩的神话！彼得林奇选股原则包括三个方面。 第一、高毛利率 再好的产品，再快的销售额增长，如果仅有10%的毛利率，也很难实现长期的业绩增长，只要稍有一些变化就可能影响公司的业绩，从而加大投资风险。所以，不能只关注公司表层的销售状况和产品在市场上的受欢迎程度就匆匆决定投资，还要确定公司利润率是否可以持续。例如贵州茅台毛利率高达92.34%，从2...
彼得林奇投资策略精髓
天行健 ● 君子以自强不息
06-18 1916
作为价值投资的另一面大旗，彼得林奇的操作策略无疑极具参考价值，但我认为林奇的操作方式只有天才能做得到。我们要学习的是其基本的战略指导思想，和那些对巴式投资者有价值的战术细节，而不是同时持有上千只股票和令人眼花缭乱的每年数千次买卖。     第一部分：投资哲理     　　　　当前那些著名的投资者中，彼得林奇的名声几乎无人能敌。这不仅仅在于他的投资方式成功通过了实践的检验，而且他坚定的认为，
彼得林奇的“长期增长“选股策略详解
移动开发前沿的博客
10-18 1046
彼得林奇的“长期增长”选股策略旨在帮助投资者筛选出具有长期增长潜力的股票，通过长期持有实现资产的稳健增值。本文章的范围涵盖了该选股策略的核心概念、原理、操作步骤、数学模型、实际应用案例以及相关工具资源等方面，全面解析这一策略，为投资者提供系统的知识体系和实践指导。本文将按照以下结构进行阐述：首先介绍彼得林奇“长期增长”选股策略的背景信息，包括目的、读者和文档结构等；接着讲解核心概念与联系，通过文本示意图和 Mermaid 流程图展示策略的架构；
彼得林奇的“自下而上“选股方法
最新发布
AI 领航者的博客
10-26 1046
彼得林奇是投资界的传奇人物，他所倡导的“自下而上”选股方法具有极高的实践价值。本文的目的在于深入剖析这一选股方法，帮助投资者理解其核心原理、操作步骤以及应用场景。通过详细的讲解和实际案例分析，使读者能够掌握该方法并运用到实际的股票投资中。范围涵盖了“自下而上”选股方法的各个方面，包括概念解释、算法原理、数学模型、实战案例以及相关的学习资源和未来趋势等。本文将按照以下结构进行阐述：首先介绍“自下而上”选股方法的核心概念与联系，包括其原理和架构；
一个用Python编写的股票数据（沪深）爬虫和选股策略测试框架
weixin_30905133的博客
12-26 3722
一个股票数据（沪深）爬虫和选股策略测试框架，数据基于雅虎YQL和新浪财经。 根据选定的日期范围抓取所有沪深两市股票的行情数据。 根据指定的选股策略和指定的日期进行选股测试。 计算选股测试实际结果（包括与沪深300指数比较）。 保存数据到JSON文件、CSV文件。 支持使用表达式定义选股策略。 支持多线程处理。 代码 main.py from st...
python选股策略，金叉，死叉，绿色云
weixin_42991437的博客
08-05 1858
取4个列表值，hongda，lvxiao，hongxiao，lvda。 有两条线，a绿线MA20，b红线MA60。 当线在a>b金叉到a< b死叉（绿色云）区间时，取a的最大值添加到(lvda)里，b的最小值添加到( hongxiao)里。 当线在a< b死叉到a 当a[-1]>lvda[-1] and b[-1]>hongda[-1]: print(有个提醒) 当a[-1] print(有个提醒)...
使用python写一个选股策略
weixin_42600128的博客
02-09 1298
好的，写一个选股策略需要以下步骤： 数据准备：收集股票的历史数据，如价格、收益率、市盈率等，可以使用各种金融数据源，例如Yahoo Finance等。 策略构建：根据投资理念和目标，构建选股策略，例如，可以选择市盈率低于某一水平的股票，或者预测未来股价走势并选择最优的股票等。 数据分析：使用Python的各种数据分析工具，如Pandas，NumPy等，对历史数据进行分析和预处理。 程序实现...
Python量化交易(四)：量化选股策略
极限突破者的博客
10-24 3727
无效市场、弱式有效市场、半强式有效市场和强式有效市场。不同类型的市场对投资者的策略提出了不同的要求。无效市场：当前股价未反映历史价格信息，投资者可以通过技术分析过去的价格信息以获取未来股价的变化倾向，从而在交易中获利。弱式有效市场：技术分析失效，基本面分析仍然有效。半强式有效市场：基本面分析失效，内幕消息仍然有效。强式有效市场：所有信息都已反映在股价中，投资者只能获得市场平均收益。量化选股策略。
用python完成选股策略_传统市值选股策略 VS AI市值策略（Python源码）
weixin_39543655的博客
12-05 828
# 基础参数配置class conf:start_date = '2010-01-01'end_date='2017-01-20'# split_date 之前的数据用于训练，之后的数据用作效果评估split_date = '2015-01-01'# D.instruments: https://bigquant.com/docs/data_instruments.htmlinstruments ...
你还在辛苦盯盘选股票？会赚钱的程序员都用Python来选股啦！
大模型教程的博客
11-29 1890
没错！你没有看错，就是炒股。曾说过：不想炒股的不是一个好商人。那么，如何才能通过Python来炒股呢？炒股最重要的是心态，外加一起技术！那么在这些三个要素中，Python如何运作呢？今天先来讲讲选股。获取股票数据的渠道非常多，既然是玩Python,不如自己造轮子来爬取，选择一个合适的财经网站，例如或者是网易都可以，接下来我们要通过Python爬虫来获取这些信息：获取收盘价，净利润同比增长,,市盈率, 收盘价 ,等等。我们对需要做一些清洗，并且增加一些指标.(每股净资产-每股的股价)/每股的股价=；
python股票策略_用Python编程"彼得林奇PEG价值选股策略"
weixin_39950083的博客
11-24 581
彼得林奇（Peter Lynch）生于1944年1月19日, 是一位卓越的股票投资家和证券投资基金经理, 曾被《时代杂志》评为首席基金经理。1977年至1990年, 在彼得林奇管理麦哲伦基金的13年间, 基金规模大幅扩增, 由2000万美元成长至140亿美元！他对共同基金的贡献，就像是乔丹之于篮球，邓肯之于现代舞蹈。他不是人们日常认识中的那种脑满肥肠的商人，他把整个比赛提升到一个新的境界，他让投资...
Python量化实战（二）：回测-银行低估值选股策略
weixin_52420288的博客
05-31 3140
本文为银行板块低估值选股策略的回测篇
彼得林奇PEG价值选股策略（附源码入口）
量化交易研究
03-11 3003
13年26倍收益！这是美国基金经理彼得·林奇所创下的投资收益纪录。 作为麦哲伦基金的管理人，林奇曾被《时代》杂志评选为首席基金经理，却在职业巅峰时激流勇退，成就一段传奇故事。作为一个价值投资者，PEG价值选股法一直备受他的推崇。 那么，今天就让我们一起来探究这一选股方法。 首先理解其概念，何为PEG？ PEG指标(市盈率相对盈利增长比率)是Jim Slater发明的一个股票估值指标，是在PE（市盈率）估值的基础上发展起来的，它弥补了PE对企业动态成长性估计的不足。 PEG指标是
chatgpt赋能python：Python短线选股技巧
suimodina的博客
06-25 1008
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
帮我开发选股预测器
09-18
开发选股预测器可从以下几个方面着手： - **明确选股策略**：可参考彼得林奇选股策略，深入剖析可预测性评级在其中的具体作用，了解可预测性评级的基本原理、与选股方法的结合方式等，为选股提供系统视角。也可采用肯尼斯·费雷尔多因子选股模型，该模型综合考虑市值、投资回报率和波动率等因子，能有效筛选出具有投资价值的股票，且在不同市场环境下表现出较好的适应性和稳定性[^1][^3]。 - **考虑市场环境**：市场环境对股票走势影响巨大。在牛市行情中，市场整体向上，可适当放宽选股条件，选择具有较强上涨潜力的股票；而在熊市或震荡市中，市场风险较大，需要更加严格地筛选股票，注重股票的抗跌性和防御性[^2]。 - **运用合适的技术和工具**： - **Python 的 LSTM 模型**：可以使用 Python 的 LSTM 进行股市预测，构建良好的机器学习模型，查看数据序列的历史记录并正确预测序列的未来元素，帮助合理决定何时购买和出售股票以赚取利润[^4]。 - **循环神经网络（RNN）**：基于循环神经网络完成股票价格预测任务，掌握数据的读取和归一化、循环神经网络模型的构建、循环层的生成及参数传递等操作。可以在 jupyter 开发环境，使用 Python3.6 和 tensorflow2.4 来实施具体过程，包括数据读取与归一化处理、模型构建、模型预测与评估等[^5]。 以下是一个简单的使用 Python 的 LSTM 进行股票价格预测的示例代码： ```python import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense # 假设这是股票价格数据 data = pd.read_csv('stock_prices.csv') prices = data['Close'].values.reshape(-1, 1) # 数据归一化 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_prices = scaler.fit_transform(prices) # 准备训练数据 def create_sequences(data, seq_length): xs, ys = [], [] for i in range(len(data) - seq_length): x = data[i:i+seq_length] y = data[i+seq_length] xs.append(x) ys.append(y) return np.array(xs), np.array(ys) seq_length = 10 X, y = create_sequences(scaled_prices, seq_length) # 划分训练集和测试集 train_size = int(len(X) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 构建 LSTM 模型 model = Sequential() model.add(LSTM(50, return_sequences=True, input_shape=(seq_length, 1))) model.add(LSTM(50, return_sequences=False)) model.add(Dense(25)) model.add(Dense(1)) # 编译模型 model.compile(optimizer='adam', loss='mean_squared_error') # 训练模型 model.fit(X_train, y_train, batch_size=1, epochs=1) # 进行预测 predictions = model.predict(X_test) predictions = scaler.inverse_transform(predictions) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值