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、今日上涨幅度大于1%（比较同板块的股票涨幅）、昨日收盘价高于250日均线的股票。
选股逻辑分析
该选股逻辑主要考虑了换手率、股价表现以及技术面的指标，通过选择换手率和上涨表现优良的股票，同时关注股票的技术面，筛选出更具有上涨潜力的股票。
有何风险？
该选股逻辑主要基于技术面指标的判断，未考虑到公司基本面以及行业趋势等重要因素，因此选出的股票存在一定的偏差和不确定性。
如何优化？
可以综合考虑更多的因素，例如公司基本面、行业趋势、市盈率等财务和基本面因素，在技术面分析的基础上进行综合判断，更准确的选出符合条件的股票。
最终的选股逻辑
选择换手率在3%-12%之间、今日上涨幅度大于1%（比较同板块的股票涨幅）、昨日收盘价高于250日均线的股票。
同花顺指标公式代码参考
SET_GROUP(1);
/* 换手率3%-12% */
HSL>=3 AND HSL<=12;
/* 今日涨幅 > 1% */
XTBG=FETCH(CLOSE,TODAY,1)/FETCH(CLOSE,TODAY-1,1)-1;
XTBG>1% AND XTBG<100;
/* 昨日收盘价大于250日均线 */
SMA250 = MA(CLOSE,250);
CLOSE > SMA250;
python代码参考
import baostock as bs
import pandas as pd
import talib
from datetime import datetime, timedelta
# 登陆系统
login_result = bs.login()
# 获取所有股票列表
rs = bs.query_stock_basic()
stock_list = []
for code in rs.get_row_data():
if code[1] != '1' and code[1] != '0':
continue
if code[2] == '3' or code[2] == '6':
continue
if float(code[5]) < 50 or float(code[5]) > 100:
continue
# 计算昨天的收盘价是否大于250日均线
data_df = pd.DataFrame()
k_data = bs.query_history_k_data_plus(
code[0], "date,open,high,low,close,volume",
start_date=(datetime.now() - timedelta(days=300)).strftime("%Y-%m-%d"),
end_date=datetime.now().strftime("%Y-%m-%d"), frequency="d", adjustflag="2")
if k_data.data is None or len(k_data.data) < 250 or k_data.error_code != '0':
continue
data_df['close'] = pd.Series(k_data.get_column('close'))
data_df['250sma'] = talib.MA(data_df['close'], timeperiod=250)
close_gt_250sma_yesterday = data_df.iloc[-2]['close'] > data_df.iloc[-2]['250sma']
if not close_gt_250sma_yesterday:
continue
# 计算换手率和涨幅
k_data = bs.query_history_k_data_plus(
code[0], "date,open,high,low,close,volume",
start_date=(datetime.now()-timedelta(days=60)).strftime("%Y-%m-%d"),
end_date=datetime.now().strftime("%Y-%m-%d"), frequency="d", adjustflag="2")
if k_data.data is None or len(k_data.data) < 30 or k_data.error_code != '0':
continue
turnover_df = pd.DataFrame(k_data.get_data())
turnover_df.columns = k_data.fields
turnover_df['turnover_rate_f'] = pd.to_numeric(turnover_df['turnover_rate_f'])
turnover_rate = round(turnover_df['turnover_rate_f'].mean(), 2)
price_increase_rate = round(
(turnover_df.iloc[-2]['close'] - turnover_df.iloc[-3]['close']) / turnover_df.iloc[-3]['close'] * 100,2)
if price_increase_rate <= 1:
continue
# 加入筛选结果
data = []
data.append(code[0])
data.append(code[2])
data.append(turnover_rate)
data.append(price_increase_rate)
stock_list.append(data)
if len(stock_list) > 0:
df = pd.DataFrame(stock_list, columns=['code', 'market', 'turnover_rate', 'price_increase_rate'])
print(df)
# 登出系统
bs.logout()
## 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。
