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%,前25天有涨停,2021年。
选股逻辑分析
该选股策略基于市场情绪和历史数据分析，根据换手率、前25天有涨停和2021年历史表现来筛选股票。其中，换手率的筛选可以挑选交投活跃程度适中的股票，前25天有涨停则可以选择市场热度较高的股票，2021年历史表现则可以选择具备一定的投资回报率的股票。
有何风险？
这种选股策略同样忽略了公司的基本面、资产质量、盈利能力、行业竞争格局等因素，在采用历史数据分析时存在较大的选择偏差，这可能导致投资风险的增加。同时，过度依赖历史数据的选股策略可能会因为市场情况的变化而失效。
如何优化？
可以增加更多的筛选标准，加入基本面和资产质量、盈利能力、行业竞争格局等多重标准，综合考虑股票的综合风险和盈利能力。同时可以将选股周期适当缩短，避免历史数据的过度影响，减少风险。
最终的选股逻辑
该选股策略选股逻辑为：综合市场情绪和历史数据分析，选择交投活跃程度适中、市场热度高、营收稳定、业绩表现优异，具有投资价值的股票；加入前25天有涨停的标准筛选具有较高市场热度的股票，同时加入2021年历史表现的筛选标准，从历史投资回报率的角度选股，以获得更好的投资回报。
同花顺指标公式代码参考
通达信指标代码：
SELECT(CLOSE>REF(CLOSE,1) AND (CLOSE-REF(CLOSE,1))/REF(CLOSE,1)>0.098
AND (VOL/(AMOUNT/OPEN/10000))>-0.12 AND (VOL/(AMOUNT/OPEN/10000))<=-0.03,
COUNT(CLOSE>REF(CLOSE,1) AND (CLOSE-REF(CLOSE,1))/REF(CLOSE,1)>0.098)/COUNT(CLOSE>REF(CLOSE,1))>0.5 AND AVG((VOL/(AMOUNT/OPEN/10000)),25)>=3 AND AVG((VOL/(AMOUNT/OPEN/10000)),25)<=12 AND YEAR(DATE)>=2021) AS RESULT
python代码参考
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
import time
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
api = TdxHq_API()
ip = select_best_ip('tdx')
api.connect(ip['ip'], ip['port'])
end_date = datetime.today().strftime('%Y-%m-%d')
start_date = (datetime.today() - timedelta(days=25)).strftime('%Y-%m-%d')
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type',
'industry', 'list_date', 'delist_date', 'infolevel'])
selected_stocks = []
for code in df_stocks['code']:
if code.startswith(('00', '60', '30')) and df_stocks[df_stocks['code'] == code]['market_type'].values[0] != 5:
if not api.is_ST(code) and api.get_stock_list_by_market(1)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0 and \
api.get_stock_list_by_market(2)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0 and \
df_stocks[df_stocks['code'] == code]['list_date'].values[0] <= '2000-01-01' and df_stocks[df_stocks['code'] == code]['delist_date'].values[0] == '':
try:
stock_info = api.get_security_quotes([code])[0]
k_data = api.get_security_bars(9, 0, code, 4, datetime.today().strftime('%Y-%m-%d'))
k_data['date'] = k_data['datetime'].apply(lambda x: datetime.fromtimestamp(time.mktime(time.strptime(str(x), '%Y%m%d%H%M%S'))).strftime('%Y-%m-%d'))
k_data.set_index('date', inplace=True)
k_data = k_data.loc[(k_data.index >= start_date) & (k_data.index <= end_date)]
if len(k_data) > 0 and \
k_data['turnover'].quantile(0.7) >= 0.03 and \
k_data['turnover'].quantile(0.7) <= 0.12 and \
len(k_data[k_data['pct_chg'] >= 9.90]) >= 1:
year_data = api.get_k_data_year(code, 2021)
if len(year_data) > 0:
if year_data.iloc[-1]['close'] > year_data.iloc[-2]['close'] and \
(year_data.iloc[-1]['close'] - year_data.iloc[-2]['close'])/year_data.iloc[-2]['close'] > 0.098 and \
(year_data.iloc[-1]['vol']/(year_data.iloc[-1]['amount']/year_data.iloc[-1]['open']/10000)) > -0.12 and \
(year_data.iloc[-1]['vol']/(year_data.iloc[-1]['amount']/year_data.iloc[-1]['open']/10000)) <= -0.03 and \
sum(year_data.iloc[-29:-1]['close'] > year_data.iloc[-30:-2]['close'])/len(year_data.iloc[-29:-1]) > 0.5:
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],
'industry': df_stocks[df_stocks['code'] == code]['industry'].values[0],
'infolevel': df_stocks[df_stocks['code'] == code]['infolevel'].values[0]})
except Exception as e:
print(e)
continue
df_selected_stocks = pd.DataFrame(selected_stocks)
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。
