问财量化选股策略逻辑
本选股策略为：RSI指标小于65，今日上涨幅度大于1%，选取主板股票，竞价涨幅在-2%~5%之间。通过筛选符合条件的股票进行投资，期望在技术面和市场情绪之间平衡，实现长期稳健盈利。
选股逻辑分析
该选股策略主要基于技术面和市场情绪进行选股。通过RSI指标和涨跌幅度筛选技术面好股票，在此基础上筛选竞价涨跌幅度符合条件的股票，同时选取主板股票和流通市值控制，再考虑公司基本面对于股价的影响，以达到平衡技术面和市场情绪的目的。整体上，该选股策略注重市场情绪和技术面之间的平衡。
有何风险？
本选股策略在选取股票时主要依据技术面和市场情绪进行，可能忽略了公司基本面数据的影响，股票的基本面改变可能会对选取的个股产生一定影响，同时竞价涨跌幅度容易受到市场情绪和利好消息的影响，具有一定的不确定性。因此，本策略需要在风险控制方面进行优化。
如何优化？
为了更好地平衡技术面、市场情绪和基本面，可以引入更多的技术指标和基本面指标进行选股，如波动率、市净率、分红率、PEG等基本面数据，综合考虑各项数据，以得到更加准确的股票筛选结果。同时，在选股操作中注重风险控制，合理分散投资组合，避免过度集中投资造成的风险。
最终的选股逻辑
本选股策略为：RSI指标小于65，今日上涨幅度大于1%，选取主板股票，竞价涨幅在-2%~5%之间的股票作为选股依据，在综合考虑市场情绪、基本面以及其他指标的基础上，选择符合条件的股票进行投资，注重风险控制和分散投资组合。
同花顺指标公式代码参考
// 建立选股语句
SELECT *
FROM STOCK_EXCHANGE_BOARD
WHERE RSI(14) < 65 AND INCREASE_TODAY_RA > 0.01 AND MAX_AMPLITUDE_DAY60 < 7 AND (EXCHANGE_BOARD = 1 OR EXCHANGE_BOARD = 2 OR EXCHANGE_BOARD = 3)
AND (CIRCULATING_CAP >= 5 AND CIRCULATING_CAP <= 10) AND (BID_PRICE - LAST_CLOSE) / LAST_CLOSE > -0.02 AND (BID_PRICE - LAST_CLOSE) / LAST_CLOSE < 0.05
ORDER BY (CLOSE / OPEN - 1) DESC;
python代码参考
# 导入需要使用的库
import pandas as pd
import tushare as ts
# 选股函数
def stock_picking():
# 获取满足要求的股票信息并筛选竞价涨跌幅度符合条件的股票
today = ts.get_today_all()
filter_data = today[(today['open'] < today['settlement']) & (today['changepercent'] > 1) &
((today['exchange'] == 'SZSE') | ((today['exchange'] == 'SSE') & (today['code'].str.startswith('6')))) &
((today['b1_p'] - today['pre_close']) / today['pre_close'] > -0.02) & ((today['b1_p'] - today['pre_close']) / today['pre_close'] < 0.05)]
# 计算RSI指标，并筛选RSI指标小于65的股票
rsi_14 = ts.pro_bar(ts_code=filter_data['ts_code'].tolist(), adj='qfq', freq='D', start_date='20100101', end_date='').groupby('ts_code').apply(lambda x: (x['close'].diff(1).apply(lambda x: max(x, 0)).ewm(alpha=1/14, adjust=False).mean() /
x['close'].diff(1).apply(lambda x: abs(x)).ewm(alpha=1/14, adjust=False).mean()).apply(lambda x: 100 - 100 / (1 + x))).reset_index(name='rsi_14')
filter_data = pd.merge(filter_data, rsi_14, how='left', on='ts_code')
filter_data = filter_data[filter_data['rsi_14'] < 65]
# 计算涨跌幅度、近60日最大振幅和选股依据
daily_return = filter_data['close'] / filter_data['open'] - 1
max_amplitude_day60 = ts.pro_bar(ts_code=filter_data['ts_code'].tolist(), adj='qfq', freq='D', start_date='20100101', end_date='').groupby('ts_code')['high', 'low'].apply(lambda x: (x.max(axis=1) - x.min(axis=1)) / x['close'].shift(1)).reset_index(name='max_amplitude_day60')
filter_data = pd.merge(filter_data, max_amplitude_day60, how='left', on='ts_code')
selection_criteria = filter_data['close'] / filter_data['open'] - 1
filter_data['selection_criteria'] = selection_criteria
# 返回前10只股票
stock_list = filter_data.sort_values(by='selection_criteria', ascending=False).head(10)['ts_code'].tolist()
return stock_list
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
