(supermind量化策略)task17/a/换手率3%-12%、饮料酒进出口、k小于2

用户头像神盾局量子研究部
2023-08-30 发布

问财量化选股策略逻辑

选股逻辑为:选择换手率在3%-12%、饮料酒进出口、k小于20的企业。

选股逻辑分析

该选股策略除了选股逻辑中的两个条件外,增加了一个技术面指标k值小于20的限制,可以更好地筛选具备投资价值的股票。

有何风险?

该选股策略在选股逻辑中未考虑其他基本面因素,同时只依赖于技术面因素,可能会造成一定风险。

如何优化?

除了考虑技术面因素外,还应考虑股票的基本面、流通性等因素,并尝试使用其他有效的指标进行筛选,以提高选股的准确性和可靠性。

最终的选股逻辑

选择换手率在3%-12%、饮料酒进出口、k小于20的企业。

同花顺指标公式代码参考

换手率在3%-12%:SELECT(TURN<N>=AVG(TURN,N) AND TURN<N>3 AND TURN<N<12)
饮料酒进出口:SELECT(SECTOR('K40')=1)
k小于20:SELECT(KDJR<N)<20
选股:SELECT(CODE AND 换手率3%-12% AND 饮料酒进出口 AND k小于20)

python代码参考

import pandas as pd
import tushare as ts

def select_stocks():
    pro = ts.pro_api()
    df1 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,industry,name,list_date,area')
    df1 = df1[(df1['industry'].str.contains('饮料') & df1['industry'].str.contains('酒'))]
    df1 = df1[(df1['ts_code'].str.startswith('300')) | (df1['ts_code'].str.startswith('688'))]
    df1 = df1[df1['area'] != '北京']
    df2 = pro.daily_basic(trade_date='20220302', fields='ts_code,circ_mv,pe,pb,roe,net_profit')
    df2 = df2[(df2['circ_mv'] < 1e10) & (df2['pe'] >= 0) & (df2['pb'] >= 0) & (df2['roe'] >= 0) & (df2['net_profit'] > 0)]
    df3 = pd.merge(df1, df2, on='ts_code')
    df3 = df3[(df3['name'].str.contains('ST') == False) & ((df3['turnover_rate'] >= 3) & (df3['turnover_rate'] <= 12))]
    df3 = df3[df3['ts_code'].str.match(r'(300|688)\d{3}')]
    df3 = df3[df3['area'] != '北京']
    df4 = pro.daily(ts_code='', start_date='20220302', end_date='20220302', fields='ts_code,trade_date,open,high,low,close,vol')
    df4['date'] = pd.to_datetime(df4['trade_date'])
    df4['K'], df4['D'] = talib.STOCH(df4['high'].values, df4['low'].values, df4['close'].values, fastk_period=9, slowk_period=3, slowd_period=3)
    df4['R'] = 3 * df4['K'] - 2 * df4['D']
    df5 = df4.groupby('ts_code', as_index=False).agg({'R': ['max']})
    df5.columns = ['ts_code', 'k']
    df6 = pd.merge(df3, df5, on='ts_code')
    df6 = df6[df6['k'] < 20]
    df7 = pro.stock_basic(exchange='SSE', list_status='L', fields='ts_code,name')
    df6 = pd.merge(df6, df7, on='ts_code')
    return df6['ts_code']
    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论