问财量化选股策略逻辑
该选股策略选股逻辑为：换手率3%-12%, KDJ刚形成金叉, 企业性质。
选股逻辑分析
该选股策略在流动性、趋势和企业性质三个方面进行选股。流动性方面选出换手率较高的股票，趋势方面通过KDJ指标的金叉确认股票处于上涨趋势。企业性质方面筛选出行业龙头、高成长或高股息等优质企业。同时，对于不同行业可以根据其特征调整选股指标。
有何风险？
该选股策略忽略了股票估值和公司基本面等因素对股票的影响，只从流动性、趋势和企业性质方面进行选股，可能筛选出一些价格不太低廉但已处于行业领先地位，且未来增长潜力较小的企业，存在筛选“垃圾股”的风险。
如何优化？
该选股策略可以在企业性质筛选方面引入更全面多元的企业性质指标，如市盈率、净利润增长率、股息率等，以更准确地衡量企业基本面和估值水平。同时，可以结合不同行业的特征，设置不同的财务指标和技术指标，在不同行业选出符合指标要求的优质企业。
最终的选股逻辑
该选股策略选股逻辑为：换手率3%-12%, KDJ刚形成金叉, 企业性质。
同花顺指标公式代码参考
通达信指标公式代码：
TURNOVER_RATIO >= 0.03 AND TURNOVER_RATIO <= 0.12 AND KDJ_CROSS(0,1) AND ENTERPRISE_PROPERTY = xx
其中ENTERPRISE_PROPERTY为企业性质的筛选条件，需替换成具体指标。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
# 创建连接
api = TdxHq_API()
api.connect('119.147.212.81', 7709)
# 所有A股列表
all_stocks = api.get_security_list(1, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type'])
# 获取A股财报数据
selected_stocks = []
for code in df_stocks['code']:
stock_k_data = api.get_k_data(code, 'D')
if stock_k_data is not None and len(stock_k_data) > 1 \
and stock_k_data['turnover_ratio'].quantile(0.7) >= 0.03 \
and stock_k_data['turnover_ratio'].quantile(0.7) <= 0.12 \
and stock_k_data['kdjj'].iloc[-2] < stock_k_data['kdjj'].iloc[-1] \
and stock_enterprise_property.loc[code] in ['xx', 'xx']:
selected_stocks.append({'code': code, 'name': df_stocks[df_stocks['code'] == code]['name'].values[0],
'market_type': df_stocks[df_stocks['code'] == code]['market_type'].values[0],
'turnover_ratio': stock_k_data['turnover_ratio'].iloc[-1],
'close': stock_k_data['close'].iloc[-1],
'enterprise_property': stock_enterprise_property.loc[code]})
selected_stocks = pd.DataFrame(selected_stocks)
selected_stocks = selected_stocks.sort_values(by=['close'])
# 断开连接
api.disconnect()
## 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。
