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%、上市年份为2021年、昨天出现3连板的股票。
选股逻辑分析
该选股策略采用了技术面选股法，选取了昨天出现3连板的股票。同时，该策略考虑到换手率对股票波动的影响，选取了换手率在3%~12%之间，上市年份为2021年的股票。综合考虑了市场的流动性和近期股票表现等技术面因素。
有何风险？
该选股策略存在以下风险：1、过分强调近期股票表现，忽视公司的基本面因素；2、可能会漏掉一些近期股价表现不佳但潜力较大的股票。
如何优化？
可以加入其他指标，如市净率、市盈率等，来更好地综合考虑企业的估值水平和发展潜力，同时可以对选取的时间窗口进行调整，结合市场情况动态地更改选股策略。
最终的选股逻辑
选择换手率在3%-12%、上市年份为2021年、昨天出现3连板的股票。
同花顺指标公式代码参考
选取换手率在3%-12%、上市年份为2021年、昨天出现3连板的股票：
CXBZ=='' and SUBSTR(CODE,1,1) not in ('I','7') AND HSL>=3 AND HSL<=12 AND SUBSTR(CODE,1,3) not in ('300','688') AND (SELECT COUNT() FROM (SELECT COUNT() FROM minutebar WHERE code=QUOTE(CODE) AND trade_date='@TODAY' AND close>high*0.99 ORDER BY minute_id DESC LIMIT 3))=3;
Python代码参考
import pandas as pd
import datetime
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['ipo_year'], stock['ipo_price'],
stock['ipo_amount'], stock['ltgb'], stock['zy'], stock['zql'], stock['cxbz'], stock['lhb'], stock['jlr'], stock['pe']) for stock in stock_list if
stock['code'][0] in ['0', '3'] and stock['market'] != 43]
dataList += results
return pd.DataFrame(dataList, columns=['stock_code', 'ipo_date', 'ipo_year', 'ipo_price', 'ipo_amount', 'ltgb', 'zy', 'zql', 'cxbz', 'lhb', 'jlr', 'pe'])
def get_matched_stocks(api, stock_list):
# 筛选出符合条件的股票
yesterday = (datetime.datetime.today() - datetime.timedelta(days=1)).strftime('%Y%m%d')
data = api.get_security_bar(9, 0, stock_list['stock_code'].tolist()[0], 47)
data = pd.DataFrame(data, columns=['trade_date', 'open', 'close', 'high', 'low', 'vol', 'amount', 'ltgb', 'marketvalue', 'zy', 'ssf'])
data['K'], data['D'], data['J'] = talib.STOCH(data.high.values, data.low.values, data.close.values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
matched_stocks = data.loc[(data['trade_date'] == yesterday) & (data['high'] >= data['close']*1.099)]['stock_code'].tolist()
return matched_stocks
def get_today_matched_stocks(api, stock_list):
# 筛选出符合条件的股票
yesterday = (datetime.datetime.today() - datetime.timedelta(days=1)).strftime('%Y%m%d')
data = api.get_security_bars(9, 0, stock_list['stock_code'].tolist(), len(stock_list), 47)
data = pd.DataFrame(data, columns=['trade_date', 'open', 'close', 'high', 'low', 'vol', 'amount', 'ltgb',
'marketvalue', 'zy', 'ssf'])
data['change'] = (data['close'] - data['close'].shift(1)) / data['close'].shift(1)
data = data[data['change'] > 0.1]
matched_stocks = data['stock_code'].tolist()
return matched_stocks
#获取股票列表
stock_list = get_stock_list(api)
#筛选符合条件的股票
matched_stocks = get_today_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。
