需要帮助?

试试AI小助手吧

(supermind量化策略)task17/a/换手率3%-12%、饮料酒进出口、三连阴

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、三连阴的股票。

选股逻辑分析

该选股策略在考虑行业面指标的基础上,增加技术面指标,通过观察股票走势的连续性选股。但该选股策略缺乏对公司财务、基本面等其他因素的考虑,仍存在一定风险。

有何风险?

该选股方式依然没有全面考虑公司财务、基本面等其他因素的影响,仅考虑一项技术面指标的连续性,存在一定的风险。

如何优化?

可增加选股指标,如市盈率、市净率等,完善股票的综合分析、提高选股的准确性和风险控制。

最终的选股逻辑

选择换手率在3%-12%、饮料酒进出口、三连阴的股票。

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+1>AVG(TURN, N+1) AND TURN<N>3 AND TURN<N<12)

饮料酒进出口:SELECT(SECTORCODE('K40')=1)

三连阴:SELECT(CLOSE<N+1<CLOSE<N>REF(CLOSE,N) AND CLOSE<N+2<CLOSE<N+1>REF(CLOSE,N+1), 3) 

选股:SELECT(CODE, 换手率3%-12% AND SELECT_SECTORCOUNT('K43')>0 AND 三连阴, NOT ST)

python代码参考

import pandas as pd
import tushare as ts

def select_stocks():
    pro = ts.pro_api()
    df1 = pro.daily(ts_code='', start_date='20200101', end_date='20220123', fields='ts_code,trade_date,close')
    df1 = df1.groupby('ts_code').apply(lambda x: x.set_index('trade_date')['close'].rolling(window=26).mean())
    df2 = pro.level2_market_data(trade_date='20220126', fields='ts_code,buy_sm_vol,sell_sm_vol')
    df3 = pro.daily(ts_code='', start_date='20200101', end_date='20220123', fields='ts_code,trade_date,close')
    df3['sm_avg'] = df3.groupby('ts_code')['close'].rolling(window=3).mean().values
    df4 = pro.daily(ts_code='', start_date='20200101', end_date='20220123', fields='ts_code,trade_date,close')
    df4['sm_ref'] = df4.groupby('ts_code')['close'].shift(3).values 
    df = pd.merge(df1, df2, on='ts_code')
    df = pd.merge(df, pro.daily_basic(trade_date='20220126', fields='ts_code,turnover_rate,industry'), on='ts_code')
    df = pd.merge(df, df3[['ts_code', 'trade_date', 'sm_avg']], on='ts_code')
    df = pd.merge(df, df4[['ts_code', 'trade_date', 'sm_ref']], on='ts_code')
    df = df[(df['industry'].str.contains('饮料') & df['industry'].str.contains('酒'))]
    df = df[df['turnover_rate'].between(3, 12)]
    df = df[df['buy_sm_vol']>df['sell_sm_vol']]
    df = df[df['close'].shift(-2) < df['sm_avg']]
    df = df[df['close'].shift(-1) < df['sm_avg']]
    df = df[df['close'] < df['sm_ref']]
    code_list = pd.DataFrame({'code': df['ts_code'].str.split(".", expand=True)[0]})
    return code_list
    ## 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