问财量化选股策略逻辑
选股逻辑为：选择换手率在3%~12%之间、买一量大于卖一量、股票规模在2亿以上的股票。
选股逻辑分析
该选股策略从交易活跃度、市场参与度以及公司规模等因素综合考虑，筛选出潜在有较好表现的股票。
有何风险？
只选取股票规模在2亿以上的股票，可能会忽视一些市值较小但未来发展潜力较大的公司。此外，选股策略缺乏更加深入的公司基本面分析对股票进行评估，可能存在一定风险。
如何优化？
除考虑交易活跃度、市场参与度以及公司规模等因素外，可以引入更多的公司基本面因素，如盈利能力、成长性、估值等来进行选股。同时，也可以考虑加入行业方向、市场情绪等因素进行筛选。
最终的选股逻辑
在换手率在3%~12%之间、买一量大于卖一量、股票规模在2亿以上的股票中，按照市值从大到小排序，选取前50只股票。
同花顺指标公式代码参考
SELECT STOCKCODE FROM (
SELECT STOCKCODE FROM BLOCK_STOCK WHERE BLOCKID = 'SZMB'
AND STOCKCODE IN (SELECT STOCK_CODE FROM STOCK_BASIC WHERE MARKET='主板' AND LIST_STATUS='上市')
AND STOCKCODE IN
(SELECT STOCK_CODE FROM SDB WHERE NAME = '买一' AND (CAST(DATA AS NUMBER) > CAST(FDATA AS NUMBER)))
AND STOCKCODE IN (SELECT STOCK_CODE FROM GDH WHERE NAME = '换手率' AND (CAST(DATA AS NUMBER) > 3) AND (CAST(DATA AS NUMBER) < 12))
AND STOCKCODE IN
(SELECT STOCK_CODE FROM STOCK_LIST WHERE LIST_DATE IS NOT NULL AND (MKTCAP > 200000000))
)
ORDER BY MKTCAP DESC
WHERE ROWNUM <= 50;
python代码参考
import pandas as pd
import tushare as ts
def select_stocks():
pro = ts.pro_api()
# 查询挂单大量大于卖单的股票
market_df = pro.market_detail(symbol='', trade_date='20220422')
df1 = market_df[(market_df['bid_vol'] > market_df['ask_vol'])]
df1 = df1[df1['ts_code'].str.startswith('0')]
# 查询流通股本和总市值
stock_basic_df = pro.stock_basic(exchange='', fields='ts_code,mkt_cap')
stock_basic_df['mkt_cap'] *= 10000
df1 = pd.merge(df1, stock_basic_df, on='ts_code', how='inner')
df1 = df1[(df1['mkt_cap'] > 200000000)]
# 按换手率筛选股票
daily_basic_df = pro.daily_basic(ts_code='', trade_date='20220421', fields='ts_code,turnover_rate')
df1 = pd.merge(df1, daily_basic_df, on='ts_code', how='inner')
df1 = df1[(df1['turnover_rate'] > 3) & (df1['turnover_rate'] < 12)]
# 按市场筛选股票
df1 = df1[df1['ts_code'].str.startswith('0')]
# 按买卖盘挂单量筛选股票
sdb_df = pro.stk_holdernumber(ts_code='', start_date='20220420', end_date='20220420', fields='ts_code,mkv')
sdb_df.rename(columns={'ts_code': 'symbol'}, inplace=True)
df1 = pd.merge(df1, sdb_df, on='symbol', how='inner')
df1 = df1[(df1['buy_sm_vol'] > df1['sell_sm_vol']) & (df1['buy_sm_vol'] > df1['mkv'])]
# 按总市值排序
df1 = df1.sort_values('mkt_cap', ascending=False)
# 合并所有指标，返回选股结果
return df1[:50]['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。
