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，且昨日换手率乘以今日竞价成交量除以昨日成交量后得到的值在0.5至2之间的股票。
选股逻辑分析
该选股策略注重量化分析，相比于只考虑技术面，加入了基本面的换手率，并且加入了今日竞价成交量与昨日成交量的比值，更综合地考虑了当前市场交易情况，有助于筛选出更具有潜力的股票。
有何风险？
该选股策略存在以下风险：1、基本面换手率指标可能低估了一些股票的交易量，导致漏筛某些有潜力的股票；2、竞价成交量与昨日成交量之比受到市场波动的影响，可能存在短期震荡的情况，影响选股结果。
如何优化？
可以考虑使用其他基本面指标，如市净率、市盈率等，综合考虑股票的基本面现状，以提高选股策略的稳定性和可靠性。亦可以使用机器学习模型，筛选出更准确、可靠的选股策略。
最终的选股逻辑
选择换手率在3%-12%之间，上市年份为2021年，且昨日换手率乘以今日竞价成交量除以昨日成交量后得到的值在0.5至2之间的股票。
同花顺指标公式代码参考
该选股策略中，需要采用昨日换手率和今日竞价成交量与昨日成交量比值作为基本面指标，可以采用以下通达信公式：
C / (REF(C, 1) * V / REF(V, 2))
其中C为收盘价，V为成交量，REF为引用函数。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
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'], pd.Timestamp(stock['ipo_date']).year, stock['ipo_price'], stock['ipo_amount'], stock['volunit'] * 100) for stock in stock_list if stock['code'][0] in ['0', '3', '6']]
dataList += results
return pd.DataFrame(dataList, columns=['stock_code','ipo_year','ipo_price','ipo_amount','vol'])
stock_list = get_stock_list(api)
# 获取符合条件的股票列表
condition1 = stock_list['ipo_year'] == 2021
condition2 = (stock_list['vol'] >= 500) & (stock_list['vol'] <= 20000)
matched_stocks = set(stock_list[condition1 & condition2]['stock_code'])
# 获取股票基本面指标
start_date = (pd.Timestamp.now() - pd.Timedelta('1Y')).strftime('%Y-%m-%d')
basic_indicator = {}
for stock_code in matched_stocks:
k_lines = api.get_k_data(stock_code, start_date)
k_lines['date'] = pd.to_datetime(k_lines['date'])
k_lines.set_index('date', inplace=True)
k_lines.sort_index(inplace=True)
k_lines['yesterday_vol'] = k_lines['vol'].shift(1)
k_lines['bid_vol'] = k_lines['vol'].shift(-1)
k_lines['indicator'] = k_lines['close'] / (k_lines['yesterday_vol'] * k_lines['bid_vol'] / k_lines['vol'].shift(2))
basic_indicator[stock_code] = k_lines[['close', 'vol', 'indicator']]
# 符合条件
final_result = set()
for stock_code in basic_indicator.keys():
k_lines = basic_indicator[stock_code]
latest_price = k_lines.iloc[-1]['close']
latest_indicator = k_lines.iloc[-1]['indicator']
if 0.5 < latest_indicator < 2:
final_result.add(stock_code)
# 输出结果
print('下列股票符合选股策略：')
print(final_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。
