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、昨日主力控盘的股票。
选股逻辑分析
该策略综合考虑了行业板块、换手率和主力控盘等因素，旨在选出具有一定走势潜力的股票。
有何风险？
该策略忽略了公司基本面和财务数据等重要因素，存在投资风险。同时，主力控盘指标容易被市场短期消息和情绪影响，难以保证选出的股票会持续上涨。
如何优化？
可以加入更多的量化指标，如市值、盈利能力等公司基本面指标，并结合宏观经济、政策、行业政策等因素，更全面地挖掘股票的潜力。
最终的选股逻辑
选择换手率在3%-12%、饮料酒进出口、昨日主力控盘的股票。
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)
昨日主力控盘：SELECT(MA3<VOL && MA3>MA5 && MA5<MA10 && MA5<=LAST(CLOSE, 10) && MA5>=LAST(CLOSE, 22))
选股：SELECT(CODE, 换手率3%-12% AND SELECT_SECTORCOUNT('K43')>0 AND 昨日主力控盘 AND 饮料酒进出口)
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')
df1 = df1[(df1['industry'].str.contains('饮料') & df1['industry'].str.contains('酒'))]
df2 = pro.daily(ts_code='', trade_date='20211013', fields='ts_code,trade_date,high,low,trade_status')
df3 = pro.moneyflow(ts_code='', trade_date='20211012', fields='ts_code,trade_date,main_net_inflow_amount')
df = pd.merge(df2[['ts_code', 'trade_date']], df1[['ts_code']], on='ts_code')
df = pd.merge(df, df3, on=['ts_code', 'trade_date'], how='left').fillna(0)
df = df[(df['main_net_inflow_amount']>0) & (df.groupby('ts_code')['main_net_inflow_amount'].shift(1)<=0)]
df = df[(df['trade_status']=='交易') & (df['low']!=0) & (df['high']!=0)]
df4 = pro.daily(ts_code='', start_date='20210901', end_date='20211013', fields='ts_code,trade_date,high,low,trade_status')
df4 = df4[(df4['trade_status']=='交易') & (df4['low']!=0) & (df4['high']!=0)]
df = pd.merge(df, df4[['ts_code', 'trade_date', 'vol']], on=['ts_code', 'trade_date'])
df['ma3'] = df['vol'].rolling(3).mean()
df['ma5'] = df['vol'].rolling(5).mean()
df['ma10'] = df['vol'].rolling(10).mean()
df = df[(df['ma3']<df['vol']) & (df['ma3']>df['ma5']) & (df['ma5']>df['ma10']) & (df['ma5']<=df['close'].rolling(10).apply(lambda x: x.iloc[0])) & (df['ma5']>=df['close'].rolling(22).apply(lambda x: x.iloc[-1]))]
df = df.groupby('ts_code').tail(1)
df5 = pro.daily(ts_code='', start_date='20200101', end_date='20211231', fields='ts_code,trade_date,high,low,trade_status')
df5 = df5[(df5['trade_status']=='交易') & (df5['low']!=0) & (df5['high']!=0)]
dfg = df5.groupby('ts_code').tail(2)[['ts_code', 'trade_date']]
df = pd.merge(df, dfg, on='ts_code')
df = df[df.groupby('ts_code')['trade_date'].apply(lambda x: (x.diff()>pd.Timedelta(1, unit='D')).sum()>=1)]
return df['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。
