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%、昨日成交额大于6千万的股票。
选股逻辑分析
该选股策略继续加入成交额大于6千万的条件，进一步筛选出具有市场活力和投资价值的股票。同时与前面逻辑相比，该选股策略更关注公司基本面（净利润同比增长）和市场表现（昨日成交额），兼顾了市场和公司两方面因素。
有何风险？
该选股策略仍然只注重短期市场表现和公司基本面，忽略了长期价值的考量，存在短视的投资风险。同时，对昨日成交额的单一关注也可能导致对市场交易活力的过分高估。另外，该逻辑对于不同行业之间并未进行区分，对于一些限制性较强的行业，如银行等，选择出的股票可能不具有代表性。
如何优化？
可以通过对行业分组、风险控制和股票评级等更加精细的分析方式，增强选股策略的稳健性和长期价值，减少盲目性和风险性。比如为不同行业设置不同的筛选标准，避免单一标准导致的误判。
最终的选股逻辑
在选择换手率在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%，以及昨日成交额大于6千万的股票中，按机构持股比例从高到低排序，取前5只股票。
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
SET_SORT_RULE(4); // 按机构持股比例从高到低排序
SET_SORT_ASC(0); // 降序排列
/* 选取换手率在3%-12%之间 */
CONDITION1 = HSL >=3 AND HSL <= 12;
/* 选取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 AND ZLRTB20 <= 100;
/* 选取昨日成交额大于6千万 */
CONDITION3 = CJL1 > 60000000;
LAST_CONDITION = LAST_CONDITION AND CONDITION1 AND CONDITION2 AND CONDITION3;
CODE_LIST=SELECT_BY_KIND('stock', last_condition);
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 = []
while rs.next():
stock_code = rs.get_row_data()[0]
if stock_code.startswith('sh.688') or stock_code.startswith('sz.300'):
continue
k_data = bs.query_history_k_data(stock_code, "date,open,high,low,close,volume,tradestatus,pctChg",
start_date=(datetime.now()-timedelta(days=250)).strftime("%Y-%m-%d"),
end_date=datetime.now().strftime("%Y-%m-%d"),
frequency="d", adjustflag="2")
if k_data.error_code == '0' and len(k_data.data)>=250:
check_point1 = k_data.data[-1][5] >= 3 and k_data.data[-1][5] <= 12
data_profit = bs.query_profit_data(stock_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_1day = bs.query_history_k_data(stock_code, "date,open,high,low,close,volume",
start_date=(datetime.now()-timedelta(days=2)).strftime("%Y-%m-%d"),
end_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"),
frequency="d", adjustflag="2")
check_point3 = k_data_1day.data[0][5] >= 60000000
if check_point1 and check_point2 and check_point3:
data_holder = bs.query_holder_data(stock_code, year=2021, quarter=1)
if data_holder.error_code == '0' and len(data_holder.data) > 0:
stock_list.append([stock_code, data_holder.data[0][3]])
df = pd.DataFrame(stock_list, columns=['code', 'org_pct'])
df_rank = df.sort_values(by="org_pct", ascending=False).iloc[:5]
print(df_rank)
##### 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。
