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,竞价涨幅＞-2＜5。
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，并且加入了竞价涨幅这一因素。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。而竞价涨幅可以给出一些股票在开盘前的市场情绪变化。
有何风险？
该选股策略未考虑到基本面因素对股票的影响，并且竞价涨幅及开盘前市场情绪的变化也不稳定。同时，选取的换手率范围可能过小，可能会使得最终选股范围较小。
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。同时也可以尝试调整选取的换手率范围以及加入更多的选股指标来提高选股效果。
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，竞价涨幅大于-2%且小于5%
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 J> -2 AND J < 5
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) > 14 \
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['J'].iloc[-1] > -2 and stock_k_data['J'].iloc[-1] < 5\
and stock_k_data['market'].iloc[-1] == 1:
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。
