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、连续5年ROE＞15%的股票。
选股逻辑分析
该选股策略采用了基本面选股法，选取了ROE连续5年大于15%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企业的盈利能力等基本面因素。
有何风险？
该选股策略存在以下风险：1、过分强调企业的过去业绩，忽视未来业绩的变化；2、可能会漏掉一些高质量但ROE不足15%的企业。
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、连续5年ROE＞15%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、连续5年ROE＞15%的股票：
CXBZ=='' and SUBSTR(CODE,1,1) not in ('I','7') and ((SELECT COUNT() FROM (SELECT COUNT() FROM fiscalreport WHERE code=QUOTE(CODE) AND (roe_ttm>15) GROUP BY year ORDER BY year LIMIT 5))=5) AND ZLMM>=3 and ZLMM<=12;
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)
zlmm = api.get_security_quotes([(x[:2], x[2:]) for x in stock_list['stock_code'].tolist()])
zlmm = pd.DataFrame(zlmm, columns=['stock_code', 'last_close', 'open', 'high', 'low', 'now', 'vol', 'amount',
'buy1', 'buy1_vol', 'buy2', 'buy2_vol', 'buy3', 'buy3_vol', 'buy4', 'buy4_vol', 'buy5', 'buy5_vol',
'sell1', 'sell1_vol', 'sell2', 'sell2_vol', 'sell3', 'sell3_vol', 'sell4', 'sell4_vol', 'sell5', 'sell5_vol'])
zlmm['now_vol'] = zlmm['now'] * zlmm['vol'] / 10000
data = pd.merge(data, zlmm[['stock_code', 'now_vol']], how='inner', on='stock_code')
matched_stocks = data.loc[data['stock_code'] == stock_code]['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。
