问财量化选股策略逻辑
选股逻辑为:在换手率为3%-12%、股票代码以60开头且反包的股票进行选股。
选股逻辑分析
该选股策略在选择具有较好的流动性和市场分布的同时,关注市场趋势并选择反包股票,有利于筛选出具备良好趋势反转潜力、但市场上较为被低估的企业。
有何风险?
该选股策略过分追求市场趋势和反包,忽略了企业的基本面分析因素,如资金情况、盈利能力等,容易造成过度追求或低估某些指标的状况。同时也需要考虑整体市场因素,如宏观经济政策、股市波动等。
如何优化?
可在选择股票符合一定市场分布条件和反包趋势的同时,加入企业的基本面分析因素,如利润增长率、资产负债率等,从而更好地评估企业的价值和投资潜力。同时也需要考虑整体市场因素,如宏观经济政策、股市波动等。
最终的选股逻辑
在换手率为3%-12%、股票代码以60开头且反包的股票进行选股。
同花顺指标公式代码参考
选股公式:
(CODETYPE="2" AND LEFT(CODE,2)="60" AND REF(CLOSE,1)>REF(CLOSE,2) AND REF(CLOSE,2)<REF(CLOSE,3) AND REF(CLOSE,3)>REF(CLOSE,1))
Python代码参考
import pandas as pd
import tushare as ts
# 获取符合条件的股票列表
def get_good_stocks(pro):
good_list = []
# 调用Tushare接口获取所有股票数据
data = pro.stock_basic(exchange='', list_status='L')
# 匹配满足条件的股票
for i in range(len(data)):
ts_code = data.iloc[i]['ts_code']
if ts_code[:2] == '60':
daily_data = pro.daily(ts_code=ts_code, start_date='20211011', end_date='20211018')
if daily_data['turnover_rate'].mean() >= 0.03 and daily_data['turnover_rate'].mean() <= 0.12:
if (daily_data['close'][0] < daily_data['close'][1] and
daily_data['close'][1] > daily_data['close'][2] and
daily_data['close'][2] < daily_data['close'][0]):
good_list.append(ts_code)
return good_list
# 获取所有符合条件的股票
token = "your token"
pro = ts.pro_api(token)
good_stocks = get_good_stocks(pro)
# 计算符合条件的股票的市值和涨幅
result = []
for stock_code in good_stocks:
daily_data = pro.daily(ts_code=stock_code, start_date='20211011', end_date='20211018')
increase_list = daily_data['close'].pct_change()
result.append([stock_code, increase_list[increase_list > 0.1].count()])
# 排序,输出结果
df = pd.DataFrame(result, columns=['stock_code', 'num_of_limit_up'])
df = df[df['num_of_limit_up'] > 0]
df = df.sort_values(by='num_of_limit_up', ascending=False)
print(df.head(10))
## 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。
