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,收盘价大于昨日的最低价
选股逻辑分析
该选股策略同样考虑了股票流动性和技术指标两方面因素，并且加入了收盘价大于昨日的最低价这一因素。通过筛选换手率可以选出流动性较好的股票。KDJ指标代表股票的趋势和买卖信号，通过刚形成金叉来筛选出顺势股。收盘价大于昨日最低价则代表着股票现在处于一个相对强势的位置。
有何风险？
该选股策略同样未考虑到基本面因素对股票的影响。此外，收盘价大于昨日的最低价并不能完全代表股票当前的相对位置，在行情快速变化的市场中会存在一定的风险。
如何优化？
该选股策略可以加入更多基本面因素（如财务和产业环境）以及市场情绪、机构持股、资金流向等数据，通过引入机器学习方法建立更加准确的模型，对各因素进行综合分析，为选股策略提供更广泛的参考。同时可以尝试调整选取的指标和因素，比如加入MACD等技术指标或市值等因素，以提升效果。另外，也可以关注多个时间段内的趋势信号，以提升选股的效果。
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，收盘价大于昨日的最低价
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 CLOSE>REF(LOW,1)
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')
if stock_k_data is not None and len(stock_k_data) > 0 \
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_k_data['close'].iloc[-1] > stock_k_data['low'].iloc[-2]:
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],
'last_price':stock_k_data['close'].iloc[-1]})
selected_stocks = pd.DataFrame(selected_stocks)
selected_stocks = selected_stocks.sort_values(by=['last_price'], ascending=False).head(n)
# 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。
