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、机器人概念且流通市值小于100亿的企业。
选股逻辑分析
该选股策略在原有的基础上增加了机器人概念和流通市值的限制，机器人概念可以锁定有潜力的行业，流通市值小于100亿可以筛选出市值相对较小但有投资潜力的个股，从而提高选股准确率和收益。
有何风险？
该选股策略也未考虑股票的技术面因素和其他基本面因素的影响，机器人概念的选择范围相对较小，可能会失去其他有发展潜力的行业，同时流通市值的选择标准可能因市场环境的变化而发生变化，可能会影响股票的投资价值。
如何优化？
可以综合运用多种选股指标和技术指标，如市盈率、市净率、市销率、市现率、PEG等，综合考虑股票的基本面和价值面，同时考虑股票技术面的变化，勘探新的行业和领域以扩大选股范围和提高选股准确率。另外，可以适当调整流通市值的选择标准，以适应市场的变化。
最终的选股逻辑
选择换手率在3%-12%、饮料酒进出口、机器人概念且流通市值小于100亿的企业。
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)
机器人概念：SELECT(CONCEPT('GN062')=1)
流通市值小于100亿：SELECT(CIRC_MV<1e10)
选股：SELECT(CODE AND 换手率3%-12% AND 饮料酒进出口 AND 机器人概念 AND 流通市值小于100亿)
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['ts_code'].str.startswith('300')) | (df1['ts_code'].str.startswith('688'))]
df1 = df1[df1['area'] != '北京']
df2 = pro.daily_basic(trade_date='20220114', fields='ts_code,circ_mv,pe,pb,roe,net_profit')
df2 = df2[(df2['circ_mv'] < 1e10) & (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。
