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、竞价时涨跌幅买入大单或特大单共计买入量大于0.7千万的股票。
选股逻辑分析
该选股策略同样考虑了市场的流动性，选择了换手率在3%~12%之间的股票；同时，还加入了大单与特大单的买入情况，以此来挖掘潜力股。如果竞价时大单或特大单共计买入量大于0.7千万，就可能意味着市场中存在一些巨大的交易活动，推动该股票价格上涨或下跌。此时，就可以选择该股，以期望获取相应的收益。
有何风险？
该选股策略存在以下风险：1、竞价时的大单或特大单交易可能是一时的炒作行为，不具有持续性；2、买入大单或特大单的适用范围比较窄，可能会漏掉一些潜力股；3、并不能完全避免市场风险，需要进一步细化选股标准来进行风险控制。
如何优化？
可以选择加入其他指标，如成交量或市值等，来进一步筛选股票；另外，也可以更加及时地跟踪市场交易动向，做出更加精准的股票选取。
最终的选股逻辑
选择换手率在3%-12%、上市年份为2021年、竞价时涨跌幅买入大单或特大单共计买入量大于0.7千万的股票。
同花顺指标公式代码参考
选择换手率在3%-12%、上市年份为2021年、竞价时涨跌幅买入大单或特大单共计买入量大于0.7千万的股票：
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 ((UP_DOWN_LIMIT == 1 and BBD > 70000000) or (UP_DOWN_LIMIT == -1 and SBD > 70000000));
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_big_trade(api, stock_code):
# 获取大单和特大单买入量
yesterday = (datetime.datetime.today() - datetime.timedelta(days=1)).strftime('%Y%m%d')
trade_data = api.get_history_transaction_data(0, stock_code, 0, 3000, yesterday, yesterday)
big_trade = trade_data[(trade_data['type'] == '买盘') & ((trade_data['price'] - trade_data['last_close']) / trade_data['last_close'] >= 0.02) & (
trade_data['volume'] >= 100000)]
special_trade = trade_data[(trade_data['type'] == '买盘') & ((trade_data['price'] - trade_data['last_close']) / trade_data['last_close'] >= 0.03) & (
trade_data['volume'] >= 1000000)]
big_trade_sum = big_trade['volume'].sum()
special_trade_sum = special_trade['volume'].sum()
return big_trade_sum, special_trade_sum
def get_matched_stocks(api, stock_list):
# 筛选出符合条件的股票
matched_stocks = []
for stock_code in stock_list['stock_code'].tolist():
big_trade_sum, special_trade_sum = get_big_trade(api, stock_code)
if (big_trade_sum + special_trade_sum) >= 70000000:
matched_stocks.append(stock_code)
return matched_stocks
#获取股票列表
stock_list = get_stock_list(api)
#筛选出符合条件的股票
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。
