问财量化选股策略逻辑
选股逻辑为：选择换手率在3%-12%、DEA指标上涨、涨跌幅与超大单净量的乘积大于0的A股股票。
选股逻辑分析
本选股策略一定程度上考虑了市值流动性与市场情绪因素，选股条件将换手率在3%-12%、DEA指标上涨与涨跌幅受到超大单净量的影响进行综合考虑，对股票市场情绪思路的挖掘为后期择股提供了依据。
有何风险？
该选股策略过度依赖了成交量因素，有可能忽略了股票本身的内在价值因素，以及过度关注短期市场情绪与流动性因素，因此周期较长的趋势行情中效果不如其他成熟的选股策略。同时，若数据中存在极端情况会导致选股思路受到影响。
如何优化？
可以考虑结合其他指标加强股票的综合筛选，如行业板块、股票性质以及机构持仓等因素；另外，应对极端数据进行过滤，通过数据清洗提高选股策略的鲁棒性。
最终的选股逻辑
选股条件为：换手率在3%-12%、DEA指标上涨、涨跌幅与超大单净量的乘积大于0的A股股票。
同花顺指标公式代码参考
换手率：TURNOVER >= 3 AND TURNOVER <= 12;
DEA指标上涨：REF(MA(CLOSE,12),1)>REF(MA(CLOSE,26),1) AND MA(CLOSE,12)>MA(CLOSE,26) AND MA(CLOSE,12)-MA(CLOSE,26)>MA(MA(CLOSE,12)-MA(CLOSE,26),9);
超大单净量：DDX >= DDXV;
涨跌幅：(CLOSE-REF(CLOSE,1))/REF(CLOSE,1);
SELECTED_STOCKS: SELECT(CODE, TURNOVER AND DEA指标上涨 AND 超大单净量 AND 涨跌幅,CODE);
python代码参考
def select_stocks(df):
df = df[['code', 'turnover', 'close', 'llv', 'hhv', 'volume']]
selected_codes = []
for code in df['code'].unique():
sub_df = df[df['code'] == code]
sub_df['ema12'] = sub_df['close'].ewm(span=12).mean()
sub_df['ema26'] = sub_df['close'].ewm(span=26).mean()
sub_df['dea'] = sub_df['ema12']-sub_df['ema26']
sub_df['ddx'] = (sub_df['hhv']-sub_df['llv'])*sub_df['volume']/10000
sub_df = sub_df[(sub_df['turnover'] >= 3) & (sub_df['turnover'] <= 12) & (sub_df['dea'].diff() > 0) & (sub_df['volume'].diff()*sub_df['close'].diff() > 0)]
if len(sub_df) > 0:
selected_codes.append(code)
return pd.DataFrame({'code': selected_codes})
## 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。
