问财量化选股策略逻辑
选股逻辑为：在股票市场中，选择换手率在3%-12%之间，连续三天收阴线，在竞价时买入涨跌幅排名前列的大单和特大单，买入量总和大于0.7千万的股票。
选股逻辑分析
该选股策略以换手率和连续阴线为基础条件，并结合大单和特大单的竞价买入量进行筛选。在涨跌幅排名前列的大单和特大单可能预示着股票资金流入的变化，具有较高的涨势潜力。
有何风险？
该选股逻辑仍然存在选到错误的股票的可能性，同时选择的竞价买入量和选股时间也可能影响股票的可靠性。此外，持续的高买入量也可能预示着后期股票会受到调整。
如何优化？
可以结合其他技术指标和基本面等多维度筛选股票，同时可以在大单和特大单的买入量需要达到一定比例的情况下再进行选股，以减少选错股票的可能性。
最终的选股逻辑
在股票市场中，选择换手率在3%-12%之间，连续三天收阴线，在竞价时买入涨跌幅排名前列的大单和特大单，买入量总和大于0.7千万的股票。
同花顺指标公式代码参考
SET_MARKET("SZ");
SET_LOOKBACK(250);
SET_OFFLINE_MODE(ON);
SET_HISTORY_FACTOR_MODE(ON);
/* 选取换手率在3%-12%之间的股票 */
CONDITION0 = (HSL>=3 AND HSL<=12);
/* 选取连续三天收阴线的股票 */
CONDITION1 = MA(C,3)<REF(MA(C,3),1) AND REF(MA(C,3),1)<REF(MA(C,3),2) AND REF(MA(C,3),2)<REF(MA(C,3),3);
/* 获取竞价时各个档位的买卖盘情况 */
VOLUME_B1 = VOLUME_OF(OBJ=0,PRICE=B1);
VOLUME_B2 = VOLUME_OF(OBJ=0,PRICE=B2);
VOLUME_B3 = VOLUME_OF(OBJ=0,PRICE=B3);
VOLUME_B4 = VOLUME_OF(OBJ=0,PRICE=B4);
VOLUME_B5 = VOLUME_OF(OBJ=0,PRICE=B5);
VOLUME_S1 = VOLUME_OF(OBJ=0,PRICE=S1);
VOLUME_S2 = VOLUME_OF(OBJ=0,PRICE=S2);
VOLUME_S3 = VOLUME_OF(OBJ=0,PRICE=S3);
VOLUME_S4 = VOLUME_OF(OBJ=0,PRICE=S4);
VOLUME_S5 = VOLUME_OF(OBJ=0,PRICE=S5);
/* 判断买入量是否符合要求 */
VOLUME = VOLUME_B1 + VOLUME_B2 + VOLUME_B3 + VOLUME_B4 + VOLUME_B5;
CONDITION2 = (VOLUME_B1 + VOLUME_B2)>0.7E8;
LAST_CONDITION = CONDITION0 AND CONDITION1 AND CONDITION2 AND LAST_CONDITION;
CODE_LIST=SELECT_BY_KIND('stock',last_condition)
CODE_LIS = SORT_BY_HOT(CODE_LIST, 0, 10, LAST_CONDITION);
python代码参考
import baostock as bs
import pandas as pd
import datetime
#### 登陆系统 ####
lg = bs.login()
#### 获取满足条件的股票 #####
rs = bs.query_all_stock(day=datetime.date.today().strftime("%Y-%m-%d"))
stock_list = []
while rs.next():
stock_code = rs.get_row_data()[0]
k_data = bs.query_history_k_data(stock_code, "date,open,high,low,close,volume,amount,k",
start_date="2021-01-01", end_date=datetime.date.today().strftime("%Y-%m-%d"),
frequency="d", adjustflag="2")
if k_data.error_code == '0' and len(k_data.data)>=2:
check_point1 = (k_data.data[-1][3]<k_data.data[-2][3])
check_point2 = all([k_data.data[i][4]<k_data.data[i-1][4] for i in range(-3,0)])
data_bid = bs.query_history_k_data_plus(stock_code, "date,code,open,close,high,low,volume,bid_ratio,ask_ratio,bid_vol,ask_vol",
start_date="2021-01-01", end_date=datetime.date.today().strftime("%Y-%m-%d"),
frequency="d", adjustflag="3")
if data_bid.error_code == '0':
data_bd = data_bid.get_data().loc[:, ['bid_vol', 'bid_ratio']]
data_bd = data_bd.dropna()
threshold = data_bd['bid_ratio'].quantile(0.5)
check_point3 = data_bd[data_bd['bid_ratio']>=threshold]['bid_vol'].sum() > 7000000
if check_point1 and check_point2 and check_point3:
stock_list.append(stock_code)
df = pd.DataFrame(stock_list)
df_rank = df.sort_values(by="capital", ascending=False)
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。
