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、北京A股除外的企业。
选股逻辑分析
该选股策略主要依据了换手率、行业分类、地域分类进行选股，其中换手率可以反映股票流动性和活跃度，行业分类可以锁定选股的目标行业，地域分类可以排除不希望持有的地域，从而筛选有稳定发展和潜力的个股。
有何风险？
该选股策略未考虑股票的技术面因素和其他基本面因素的影响，同时地域限制可能会对选股范围产生比较大的影响。另外，该选股策略过于简化，选股范围比较局限，可能会错过其他可纳入选股范围的有潜力的企业。
如何优化？
可以综合运用多种技术指标和基本面因素，如KDJ、MACD、BOLL、PE、PB、市净率、EPS等，以及一些其他的选股指标，如股息率、现金流等，制定更为全面和准确的选股策略。另外，可以修改地域限制策略，如可以将地域限制调整为排除所有A股，避免因地域限制而错过优质企业，同时也可以适当调整其他策略来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、北京A股除外的企业。
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)
北京A股除外：SELECT(AREA!='北京')
选股：SELECT(CODE AND 换手率3%-12% AND 饮料酒进出口 AND 北京A股除外)
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['area'] != '北京']
df2 = pro.daily_basic(trade_date='20220114', fields='ts_code,pe,pb,roe,net_profit')
df2 = df2[(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]
df4 = pro.stock_basic(exchange='SSE', list_status='L', fields='ts_code,name')
df3 = pd.merge(df3, df4, on='ts_code')
return df3['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。
