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、无亏损企业的A股中，筛选涨跌幅×超大单净量后结果排名前N只股票进行选择。
选股逻辑分析
该选股逻辑将股票的换手率、市值、盈利情况、涨跌幅和超大单净量相结合，综合考虑市场情况和产业趋势，具有一定的可行性。
有何风险？
忽略了一些市场中长期的经济、政策等基础面的影响，难以把握市场的大势，而且该策略的理论比较简单，难以对复杂情形做出判断。
如何优化？
除了按照市值对排名前N只股票进行选择外，可以考虑通过其他有价值的因素，比如公司财务数据和宏观经济指标等进行优化，同时需要加强选股策略的逻辑和机制，提高选股的精度和稳定性。
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，筛选出涨跌幅×超大单净量后结果排名前N只股票，综合其他因素考虑股票的相对估值和风险收益，从而进行选股。
同花顺指标公式代码参考
选股公式：
CIRCMV<10000000000 AND BOARD = 1 AND TURNRATE>=3 AND TURNRATE<=12 AND (REF(EPS, 1) + REF(EPS, 2) + EPS) / 3 > 0 AND (UPRATE * BIG_TRADE_RATIO) > REF((UPRATE * BIG_TRADE_RATIO), 1) AND RANK(RANK(UPRATE * BIG_TRADE_RATIO)) <= N ORDER BY RANK(UPRATE * BIG_TRADE_RATIO)
Python代码参考
import pandas as pd
import tushare as ts
def get_good_stocks(N):
good_list = []
ts.set_token('your_token')
pro = ts.pro_api()
stock_list = pro.stock_basic(exchange='', list_status='L', fields='ts_code')['ts_code']
for ts_code in stock_list:
if pro.namechange(ts_code=ts_code) and pro.namechange(ts_code=ts_code)['name'].iloc[0].find('ST') >= 0: # 非ST股票
continue
# 筛选符合条件的股票
daily_data = pro.daily(ts_code=ts_code, start_date='20220223', end_date='20220223')
if daily_data.empty or daily_data.iloc[-1]['turnover_rate'] < 0.03 or daily_data.iloc[-1]['turnover_rate'] > 0.12:
continue
market_data = pro.daily_basic(ts_code=ts_code, start_date='20220223', end_date='20220223', fields='circ_mv, board')
if market_data.empty or market_data.iloc[-1]['circ_mv'] / 100000000 > 100 or market_data.iloc[-1]['board'] != '主板':
continue
company_data = pro.fina_indicator(ts_code=ts_code, start_date='20180101', end_date='20211231', fields='eps')
if company_data.empty or company_data.iloc[-1]['eps'] <= 0 or (company_data.iloc[-1]['eps'] + company_data.iloc[-2]['eps'] + company_data.iloc[-3]['eps']) / 3 <= 0:
continue
tick_data = pro.moneyflow(ts_code=ts_code, start_date='20220223', end_date='20220223', fields='up_count, down_count, buy_big, sell_big')
if tick_data.empty or tick_data.iloc[-1]['up_count'] + tick_data.iloc[-1]['down_count'] <= 0 or tick_data.iloc[-1]['buy_big'] - tick_data.iloc[-1]['sell_big'] <= 0:
continue
up_ratio = tick_data.iloc[-1]['up_count'] / (tick_data.iloc[-1]['up_count'] + tick_data.iloc[-1]['down_count'])
ratio = up_ratio * (tick_data.iloc[-1]['buy_big'] - tick_data.iloc[-1]['sell_big'])
good_list.append([ts_code, ratio])
# 根据涨跌幅乘以超大单净量排序
sorted_data = pd.DataFrame(good_list, columns=['ts_code', 'score']).sort_values(by='score', ascending=False).reset_index(drop=True)
sorted_data = sorted_data[sorted_data['score'] > 0].iloc[:N]
good_list = sorted_data['ts_code'].tolist()
return good_list
good_stocks = get_good_stocks(10)
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。
