问财量化选股策略逻辑
该选股策略选股逻辑为：选择换手率在3%-12%之间、上市时间为2021年、KDJ指标中，K线增长值。
选股逻辑分析
该选股策略主要从流动性、市场情绪以及技术面的角度出发，通过选择KDJ指标中K线增长值，来挖掘出市场情绪和资金流向的变化，实现短线投资回报。
有何风险？
该选股策略可能存在以下风险：1、K线增长值被过度夸大的情况；2、忽略了基本面的因素，只关注技术面可能会造成过度的预测或偏差；3、不能完全代表股票的真实价值，可能选出市场表现疲弱的股票。
如何优化？
可以在基本面上加入市盈率、市净率等指标，以减少选股偏差，同时可以加入其他技术指标，如均线、RSI、MACD等技术指标来补充选股依据。
最终的选股逻辑
选择换手率在3%-12%之间、上市时间为2021年、KDJ指标中，K线增长值。
同花顺指标公式代码参考
通达信指标代码：
ZT: (TURN / CAPITAL_TODAY) >= 0.03 AND (TURN / CAPITAL_TODAY) <= 0.12;
STOCK_CIRCULATION_VAL >= 5000000000 AND STOCK_CIRCULATION_VAL <= 10000000000;
CLOSE > REF(MA(CLOSE, 10), 1);
K: FSTOCHRSI(14, 3, 1);
K_DIF: K - REF(K, 1);
K_MA1: MA(K, 3);
K_MA2: MA(K, 6);
JDZ: K_DIF > 0 AND K > K_MA1 AND K > K_MA2;
SORT_LIST:SINCE(1) = 1 AND ZT AND STOCK_CIRCULATION_VAL AND JDZ;
SORT_BY_DESC(SORT_LIST);
SELECTED:=SORT_LIST;
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
import datetime as dt
api = TdxHq_API()
ip = select_best_ip('tdx')
def get_stock_list(api):
dataList = []
for market in [0,1]:
stock_list = api.get_security_list(market, 0)
results = [(stock['code'], stock['volunit'] * 100, stock['circulating_market_cap']) for stock in stock_list if stock['code'][0] in ['0', '3', '6']]
dataList += results
return pd.DataFrame(dataList, columns=['stock_code','vol','market_cap'])
stock_list = get_stock_list(api)
today = dt.datetime.today().strftime('%Y-%m-%d')
yesterday = (dt.datetime.today()-dt.timedelta(days=1)).strftime('%Y-%m-%d')
threshold = 1.3
# 逐个股票地进行选股策略
condition_list = []
for i in range(len(stock_list)):
stock_code = stock_list.loc[i,'stock_code']
try:
q_data = api.get_finance_info(0, stock_code)
if pd.Timestamp(q_data.iloc[0]['ipo_date']).year >= 2021:
if (stock_list.loc[i,'market_cap'] > 5000000000) & (stock_list.loc[i,'market_cap'] < 10000000000):
v_data = api.get_history_volume_price_data(0, stock_code, start_date=yesterday, end_date=today)
vol = v_data['vol'].sum()
if vol >= 1000 and vol <= 1000000:
k_data = api.get_security_bars(9, 0, stock_code, 0, 14)
K = K = talib.STOCHRSI(k_data['close'], k_data['close'], k_data['close'], fastk_period=14, fastd_period=3, fastd_matype=1)[0]
K_DIF = K - K.shift(1)
K_MA1 = talib.MA(K, timeperiod=3)
K_MA2 = talib.MA(K, timeperiod=6)
if (K_DIF.iloc[-1] > 0) & (K.iloc[-1] > K_MA1.iloc[-1]) & (K.iloc[-1] > K_MA2.iloc[-1]):
condition_list.append(stock_code)
except:
pass
#根据成交量选取符合条件的股票
result = pd.DataFrame(condition_list, columns=['stock_code'])
result = pd.merge(result, stock_list, on=['stock_code'])
result = result[result.vol >= 20000]
result = result[result.vol <= 1000000]
#输出结果
print('下列股票符合选股策略：')
print(result)
## 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。
