问财量化选股策略逻辑
选股逻辑为：选择换手率在3%-12%之间、归属母公司股东的净利润（同比增长率）大于20%小于等于100%、市值大于等于2亿的股票。
选股逻辑分析
该选股策略侧重于选择具备一定规模，并且具备一定盈利稳定性的股票。其中，选择规模较大的股票可以引导投资者进行更客观的投资决策，而收益稳定的公司则更容易获得市场的关注和追捧。选择换手率较低的股票可以筛选出比较稳定的股票，而优秀的业绩数据则可以反映出公司的盈利能力和前景。
有何风险？
该选股策略仅考虑了规模、盈利能力等因素，并没有对公司的行业、竞争力、财务状况等进行充分分析，可能会忽略公司的特殊情况、行业问题等。此外，该策略也没有充分考虑股票的估值问题，较高的市值并不一定等于股票的估值较低，可能存在高估的情况。
如何优化？
可以借助更多的指标进行筛选，如市盈率、市净率、PEG等，综合考量公司的规模、盈利能力、竞争力、估值等方面的因素。同时，还需考虑行业情况、资产结构等因素。需要进行深入的行业研究、公司分析等方面的工作。
最终的选股逻辑
选择换手率在3%-12%之间、归属母公司股东净利润（同比增长率）大于20%，小于等于100%、市值大于等于2亿的股票。
同花顺指标公式代码参考
SET_CHINESE_CHARSET("UTF-8"); // 设置编码
SET_MEM_LINE(0,1,2,3,4); // 记录选股结果
/* 选择换手率在3%-12%之间 */
CONDITION1 = HSL>=3.0 AND HSL<=12.0;
/* 选择归属母公司股东净利润（同比增长率）大于20%，小于等于100% */
CONDITION2 = ZLRTB20>=20.0 AND ZLRTB20<=100.0;
/* 选择市值大于等于2亿 */
CONDITION3 = SZZBL>=2.0;
LAST_CONDITION = LAST_CONDITION AND CONDITION1 AND CONDITION2 AND CONDITION3;
SET_RANK_BY_FIELD(4, 1, 1); // 按热度从大到小排序
CODE_LIST = SELECT_BY_KIND_EX('stock', last_condition, '', '', '', '', '', '', '', '1');
python代码参考
import baostock as bs
import pandas as pd
from datetime import datetime, timedelta
#### 登陆系统 ####
lg = bs.login()
#### 获取满足条件的股票 #####
rs = bs.query_all_stock(day=datetime.now().strftime("%Y-%m-%d"))
stock_list = []
for i in range(2):
if i == 0:
time_str = datetime.now().strftime("%Y-%m-%d")
else:
time_str = (datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d")
for code in rs.get_row_data():
if code.startswith('sh.688') or code.startswith('sz.300'):
continue
data_balance = bs.query_balance_data(code, year=2021, quarter=1)
if data_balance.error_code == '0' and len(data_balance.data)>0:
check_point1 = data_balance.data[0][2] >=2
else:
continue
data_profit = bs.query_profit_data(code, year=2021, quarter=1)
if data_profit.error_code == '0' and len(data_profit.data)>0:
check_point2 = data_profit.data[0][16] >= 20 and data_profit.data[0][16] <= 100
else:
continue
k_data = bs.query_history_k_data_plus(code, "date,open,high,low,close,turn,pbMRQ", start_date=time_str, end_date=time_str, frequency="d")
if k_data.error_code == '0' and len(k_data.data)>0:
check_point3 = k_data.data[0][5] >=3 and k_data.data[0][5] <= 12
else:
continue
s_info = bs.query_stock_basic(code)
if s_info.error_code == '0' and len(s_info.data)>0:
check_point4 = s_info.data[0][5] >= 2 # billion
else:
continue
if check_point1 and check_point2 and check_point3 and check_point4:
data_list = []
data_list.append(code)
data_list.append(k_data.data[0][5]) # turn
data_list.append(k_data.data[0][6]) # pbMRQ
stock_list.append(data_list)
df = pd.DataFrame(stock_list, columns=['code', 'turn', 'PB_MRQ'])
df = df.sort_values(by='turn', ascending=True)
df_length = len(df)
if df_length > 0:
print(df.head(5))
##### 登出系统 #####
bs.logout()
## 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。
