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、上市年份为2021年，并要求股票价格小于12。
选股逻辑分析
该选股策略选取的是换手率适中、上市时间较短、但股价较便宜的新股，以期待公司业绩增长，而且投资成本相对较低。通过结合公司财务情况、成长性和行业前景等多个因素，提高选股的可靠性，避免了单一指标选股策略的局限性。
有何风险？
该选股策略存在以下风险：1、低价股容易出现波动颠簸；2、只考虑某些股票表现而不考虑其他指标，可能会出现误判；3、只考虑有限的因素，无法全面评估公司的价值。
如何优化？
为了降低风险，可以加入其他指标，如PEG、ROE、市净率等指标，更全面地分析公司前景和内部情况。选股逻辑应该基于多个关键因素，包括公司财务情况、行业前景、竞争力、公司管理和成长性等方面。在股价指标上，可以扩大选股范围，以一定的溢价来购买高质量的股票。
最终的选股逻辑
选择换手率在3%-12%之间、上市年份为2021年，并且价格小于12。
同花顺指标公式代码参考
需要自行编写。
Python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
# 初始化TdxHq_API()并获取最优IP
api = TdxHq_API()
ip = select_best_ip('tdx')
def get_stock_list(api):
# 遍历股票市场获取所有股票
dataList = []
for market in [0, 1]:
stock_list = api.get_security_list(market, 0)
results = [(stock['code'], pd.Timestamp(stock['ipo_date']).year, stock['price']) for stock in stock_list
if stock['code'][0] in ['0', '3', '6']]
dataList += results
return pd.DataFrame(dataList, columns=['stock_code', 'ipo_year', 'price'])
def check_PE(api, stock_code):
# 获取市盈率数据
data = api.to_df(api.get_security_quotes([(4 if stock_code[0] == '0' else 3, stock_code)]))
PE = data['market'][0][39]
if PE != 0:
return True
else:
return False
def get_matched_stocks(api, stock_list, max_price=12):
# 筛选出符合条件的股票
condition1 = stock_list['ipo_year'] == 2021
condition2 = (stock_list['price'] <= max_price) & (stock_list['ipo_price'] >= 1) & (stock_list['ipo_amount'] > 1000000)
condition3 = [check_PE(api, stock_code) for stock_code in stock_list[condition1 & condition2]['stock_code']]
return stock_list[condition1 & condition2 & condition3]['stock_code'].tolist()
# 获取股票列表
stock_list = get_stock_list(api)
# 筛选符合条件的股票
matched_stocks = get_matched_stocks(api, stock_list)
# 输出结果
print('下列股票符合选股策略：')
print(matched_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。
