问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、市值100亿以内、无亏损的A股中，筛选2021年表现较好的股票。
选股逻辑分析
该选股策略利用公司基本面及市场表现等数据，筛选出符合条件的股票，以期望挖掘表现较好的股票。
有何风险？
该选股策略回溯期为单一一年，数据较短，未考虑股票的长期表现，选出的股票可能未来表现不稳定或不可持续。
如何优化？
可在保留原有选股条件的基础上，加入更多的基本面数据和市场表现数据，持续综合考虑股票的长期表现，构建更为全面和稳定的选股策略。
最终的选股逻辑
在符合换手率3%-12%、市值100亿以内、无亏损的A股中，综合考虑公司基本面、市场表现以及其他技术指标，持续筛选未来表现较好和具有持续性的股票。
同花顺指标公式代码参考
选股公式：(HSL >= 0.03 AND HSL <= 0.12 AND CIRC_MV <= 10000000000 AND N_INCOME > 0 AND (ROE + ROA) / 2 >= 10 AND (FLOW_EV / CIRC_MV) >= 0 AND (P/NETPROFIT) >= 0 AND YEAR == '2021') ORDER BY WIN_RATIO DESC LIMIT 20
Python代码参考
import pandas as pd
import tushare as ts
def get_good_stocks():
good_list = []
ts.set_token('your_token')
pro = ts.pro_api()
# 获取股票列表
stock_list = pro.stock_basic(exchange='', list_status='L', fields='ts_code, name, industry, market, list_date')
for ts_code in stock_list['ts_code']:
# 判断该股票是否亏损
income_data = pro.income(ts_code=ts_code, start_date='20200101', end_date='20211231')
if income_data[income_data.report_type == '1'].iloc[-1]['n_income'] < 0:
continue
# 判断该股票的市值是否符合条件
market_data = pro.daily_basic(ts_code=ts_code, start_date='20220215', end_date='20220218', fields='ts_code, circ_mv, total_mv')
if market_data[market_data['circ_mv'] > 10000000000].empty:
continue
# 获取该股票的所有年份的财务数据
fin_data = pd.DataFrame()
for year in range(2016, 2022):
tmp_data = pro.fina_indicator(ts_code=ts_code, start_date=str(year) + '1231', end_date=str(year) + '1231')
fin_data = pd.concat([fin_data, tmp_data], axis=0, ignore_index=True)
# 判断该股票的ROE和ROA是否大于等于10%
if fin_data[fin_data.end_date == '20211231'].iloc[0]['roe'] < 0.1 or fin_data[fin_data.end_date == '20211231'].iloc[0]['roa'] < 0.1:
continue
# 判断现金流量净额市值比是否大于等于0
flow_data = pro.cashflow(ts_code=ts_code, start_date='20210101', end_date='20211231')
if (flow_data[flow_data.report_type == '1'].iloc[-1]['n_cashflow_act'] / market_data.iloc[0]['circ_mv']) < 0:
continue
# 判断市盈率是否大于等于0
price_data = pro.daily_basic(ts_code=ts_code, start_date='20220215', end_date='20220218', fields='pe, pb')
if price_data.iloc[0]['pe'] < 0:
continue
# 计算胜率
trade_data = pro.daily(ts_code=ts_code, start_date='20220101', end_date='20220218', fields='trade_date, open, close')
trade_data['prev_close'] = trade_data['close'].shift(1)
trade_data['prev_close'].iloc[0] = trade_data.iloc[0]['open']
trade_data['is_win'] = trade_data['close'] > trade_data['prev_close']
win_ratio = trade_data['is_win'].sum() / len(trade_data)
good_list.append({
'ts_code': ts_code,
'name': stock_list[stock_list.ts_code == ts_code].iloc[0]['name'],
'industry': stock_list[stock_list.ts_code == ts_code].iloc[0]['industry'],
'market': stock_list[stock_list.ts_code == ts_code].iloc[0]['market'],
'win_ratio': win_ratio,
})
# 按胜率降序排列，并取前20个
good_stocks = pd.DataFrame(good_list)
good_stocks = good_stocks[good_stocks['win_ratio'] > 0.6].sort_values('win_ratio', ascending=False).iloc[:20, ['ts_code', 'name', 'industry', 'market']]
return good_stocks
good_stocks = get_good_stocks()
print(good_stocks)
## 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。
