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，元宇宙。
选股逻辑分析
该选股策略注重股票的交易量、技术指标和互联网新兴领域。其中，换手率3%-12%可以过滤掉不活跃或过度活跃的股票，KDJ刚形成金叉可以捕捉到股票走势的转折点，同时考虑到元宇宙产业的高速发展，选择元宇宙领域的股票。
有何风险？
该选股逻辑选股依据相对单一，同时因为新兴领域的高速变化，对整体市场和行业的发展趋势把握不一定比较准确。同时过度追求新兴领域，可能忽略整体市场和行业变化的风险。
如何优化？
可以加入一些成长性、盈利性等基本面因素，以更全面的方式筛选出优秀的资产。同时，可以基于更多的技术指标，如KDJ、MACD、DMI等指标来筛选标的资产，以获得更全面的操作建议。此外，可以适当增加一些拟定子行业的因素和新兴领域趋势把握的因素。
最终的选股逻辑
该选股策略选股逻辑为：换手率大于等于3%且小于等于12%，KDJ金叉且在元宇宙领域。
同花顺指标公式代码参考
通达信公式代码：
(TURNOVER>=0.03 AND TURNOVER<=0.12) AND (KDJ_CROSS(0,1) AND 应用软件(ARG1, ARG2, ARG3, ARG4, ARG5,
ARG6, ARG7, ARG8)=="元宇宙")
python代码参考
import pandas as pd
from datetime import datetime, timedelta
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')
stock_industry_data = api.get_security_info(code)
if stock_k_data is not None and len(stock_k_data)>60 \
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_industry_data['arg8']=='元宇宙':
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],
'circulation_mv':stock_k_data['circulation_mv'].quantile(0.7)})
df_selected = pd.DataFrame(selected_stocks)
# 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。
