问财量化选股策略逻辑
选股逻辑：选择换手率在3%到12%之间，涨跌幅乘以超大单净量大于0的股票，并且形成圆弧形K线图的股票为选股范围。
选股逻辑分析
该选股逻辑综合考虑了股票的流动性、资金活跃度、市场情绪以及市场风险等方面因素，剔除大量波动较大、风险较高的股票，筛选出一些优质的股票，并考虑了圆弧形K线的特征，使得选股更具有针对性。
有何风险？
可能漏掉了一些可能存在潜在价值或过于短期价值的股票，而忽略了基本面以及未来市场的发展趋势等重要因素。且选股逻辑中的圆弧形K线是否能够真正反映出股票的实际表现还需要进一步测试验证。
如何优化？
可以考虑引入更多技术指标、基本面数据以及市场预测数据来评估股票的价值潜力和未来发展趋势，以及调整选股策略中的圆弧形K线的划分标准，防止盲目跟从K线形态而忽略其他重要指标。同时可以尝试不同的初始条件、加入风格或者行业限制等，为股票筛选带来新思路。
最终的选股逻辑
选择换手率在3%到12%之间，涨跌幅乘以超大单净量大于0，且形成圆弧形K线的股票为选股范围。
同花顺指标公式代码参考
以下是同花顺指标所需公式：
选股公式：
-- 计算涨跌幅乘以超大单净量
SuperVolume: (C*Big)/10000;
-- 计算圆弧形K线
Arc1 = (REF(HIGH,1)>REF(CLOSE,1)) AND (HIGH-LOW)/ABS(REF(HIGH,1)-REF(LOW,1))<=0.7;
Arc2 = (REF(HIGH,1)<REF(CLOSE,1)) AND (HIGH-LOW)/ABS(REF(HIGH,1)-REF(LOW,1))<=0.7;
Flag = Arc1 OR Arc2;
-- 计算条件选股
SELECT STOCK_SYMBOL FROM (
SELECT STOCK_SYMBOL, PRICE FROM BaseDataSplit WHERE
3<TurnoverRate[1]*100 and TurnoverRate[1]*100<12 and // 当日换手率3%到12%
2.5<ChangeRatioToRef(1) and ChangeRatioToRef(1)乘以SuperVolume大于0 and // 涨跌幅和超大单净量的乘积大于0
Flag // 形成圆弧形K线
}
Python代码参考
以下是Python代码实现该选股逻辑：
import pandas as pd
from typing import List
from datetime import datetime, timedelta
import talib
def select_stock(data: pd.DataFrame, n=10) -> List[str]:
selected_stocks = []
for code, df in data.groupby(level=0):
df = df.sort_values('trade_time', ascending=True)
net_amount_ratio = df['net_amount'].iloc[-1] / df['volume'].iloc[-1]
flag = (df['high'].shift(1) > df['close'].shift(1)) & \
((df['high'] - df['low']) / abs(df['high'].shift(1) - df['low'].shift(1)) <= 0.7) | \
(df['high'].shift(1) < df['close'].shift(1)) & \
((df['high'] - df['low']) / abs(df['high'].shift(1) - df['low'].shift(1)) <= 0.7)
if (df['turnover_rate'].iloc[-2] > 8) and (df['turnover_rate'].iloc[-2] < 20) and \
(df['turnover_rate'].iloc[-1] > 3) and (df['turnover_rate'].iloc[-1] < 12) and \
(df['pct_chg'].iloc[-1] * net_amount_ratio > 0) and \
flag.iloc[-1] and \
(df['total_mv'].iloc[-1] / 100000000 > 10) and \
(df['close'].iloc[-1] > df['close'].iloc[-30]):
s_weight = df['turnover_rate'].mean() * df['volume'].mean() / (df['close'].iloc[-1] * 10000)
selected_stocks.append((code, s_weight))
selected_stocks.sort(key=lambda x: x[1], reverse=True)
selected_stocks = selected_stocks[:n]
return [x[0] for x in selected_stocks]
## 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。
