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、今日上涨幅度大于1%（比较同板块的股票涨幅）、今日增仓占比大于5%的主板股票。
选股逻辑分析
该选股逻辑除了注重技术面外，加入了对于今日增仓占比的使用，更加注重当日市场情况的把握。同时，将股票选择范围限定在主板上，减少了选择垃圾股的风险。
有何风险？
该策略可能会略过一些潜力较大、但在当日没有增仓的股票。同时，股票的短线波动也可能会影响选股结果。
如何优化？
可以适当调整选股条件，并尝试加入基本面因素如公司财务情况、行业地位等等，使选择更具综合性。同时，可以增加其他技术指标的判断来进一步筛选。
最终的选股逻辑
选择换手率在3%-12%之间、今日上涨幅度大于1%（比较同板块的股票涨幅）、今日增仓占比大于5%的主板股票。
同花顺指标公式代码参考
SET_CHINESE_CHARSET("UTF-8"); // 设置编码
SET_MEM_LINE(0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17); // 记录选股结果
/* 换手率在3%-12%之间 */
CONDITION1 = HSL >= 3.0 AND HSL <= 12.0;
/* 今日上涨幅度大于1%（比较同板块的股票涨幅） */
CONDITION2 = MAX(CLOSE/REF(CLOSE, 1), INDEXPRV()>0.01);
/* 今日增仓占比大于5% */
CONDITION3 = COTOTALINCREASERATIO > 5;
LAST_CONDITION = CONDITION1 AND CONDITION2 AND CONDITION3; // 最终选股逻辑
SET_RANK_BY_FIELD(3, 1, 1); // 按跌幅从大到小排序
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 code in rs.get_row_data():
if not code.startswith('sh.') and not code.startswith('sz.'):
continue
if code.startswith('sh.688') or code.startswith('sz.300'):
continue
if code.startswith('sh.110') or code.startswith('sz.110'):
continue
# 换手率 3%-12%
k_data = bs.query_history_k_data_plus(code, "date,open,high,low,close,volume", start_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), end_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), frequency="d")
if k_data.error_code == '0' and len(k_data.data)>0:
check_point1 = k_data.data[0][5]>=3 and k_data.data[0][5]<=12
else:
continue
# 今日涨幅 > 1%
index_rs = bs.query_history_k_data_plus('sh.000001', 'close', start_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), end_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), frequency='d')
if index_rs.error_code == '0' and len(index_rs.data)>0:
index_close = float(index_rs.data[0][0])
else:
continue
k_data_compare = bs.query_history_k_data_plus(code, "date,close", start_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), end_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), frequency="d")
if k_data_compare.error_code == '0' and len(k_data_compare.data)>0:
check_point2 = k_data_compare.data[0][1]/index_close-1 > 0.01
else:
continue
# 今日增仓占比 > 5%
market_rs = bs.query_history_market_statistic("date, BUY_VALUE, SELL_VALUE")
if market_rs.error_code == '0' and len(market_rs.data)>0:
change_rs = bs.query_history_capital_flow(code, "date,in_flow_ratio,net_inflow_amount_main", start_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), end_date=(datetime.now()-timedelta(days=1)).strftime("%Y-%m-%d"), frequency="d")
if change_rs.error_code == '0' and len(change_rs.data)>0:
in_flow_ratio = float(change_rs.data[0][1])
net_inflow_amount_main = float(change_rs.data[0][2])
market_total = market_rs.data[-1][1]+market_rs.data[-1][2]
check_point3 = net_inflow_amount_main/market_total > 0.05
else:
continue
else:
continue
if check_point1 and check_point2 and check_point3:
data_list = []
data_list.append(code)
stock_list.append(data_list)
df = pd.DataFrame(stock_list, columns=['code'])
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。
