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、反包的企业。
选股逻辑分析
该选股策略在原有的基础上增加了反包的限制，可以筛选出市场需要的股票，从而提高选股准确率和收益。
有何风险？
该选股策略也未考虑股票的技术面因素和其他基本面因素的影响，反包的标准可能不丰富，导致筛选出的股票不具有可持续性的短期暴涨。
如何优化？
可以适度放宽反包的标准，不仅考虑反包，还要结合股票的基本面、技术面、流通性等因素进行综合筛选，扩大选股范围和提高选股准确率。
最终的选股逻辑
选择换手率在3%-12%、饮料酒进出口、反包的企业。
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)
反包：SELECT(UPPER(TURN)<LOWER(TURN,2) AND UPPER(CLOSE)<LOWER(CLOSE,2))
选股：SELECT(CODE AND 换手率3%-12% AND 饮料酒进出口 AND 反包)
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 = df4.groupby('ts_code', as_index=False).agg({'close': ['max', 'min']})
df4.columns = ['ts_code', 'upper', 'lower']
df5 = pd.merge(df3, df4, on='ts_code')
df5 = df5[(df5['close'] > df5['upper']) & (df5['close'] < df5['lower'])]
df6 = pro.stock_basic(exchange='SSE', list_status='L', fields='ts_code,name')
df5 = pd.merge(df5, df6, on='ts_code')
return df5['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。
