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,三个技术指标同时金叉。
选股逻辑分析
该选股策略综合考虑了市场情绪、股票流通性和技术分析等因素，选出具有一定市场情绪和成交量的股票，并且结合技术分析，筛选出当前处于上升趋势的股票。该选股策略适用于市场表现较好的时期。
有何风险？
该选股策略可能会忽略了企业的基本面因素，如有可能忽略了企业的盈利能力、财务状况等重要因素。另外，选股策略的细节设置可能会影响其精准度，例如技术指标参数如何设置等。投资者在使用该策略时需要及时调整其选股细节，以提高选股的准确性。
如何优化？
可以结合基本面数据和技术分析进行综合筛选，以提高选股的精准度。同时，在使用该策略时应该根据市场情况及时调整参数，通过反复地验证和检验，逐步完善其选股策略。
最终的选股逻辑
该选股策略选股逻辑为：换手率3%-12%,前25天有涨停,三个技术指标（如MACD、KDJ、RSI等）同时金叉，同时结合技术分析和基本面数据进行筛选。
同花顺指标公式代码参考
通达信指标代码：
TURNOVER_RATIO>=0.03 AND TURNOVER_RATIO<=0.12 AND COUNT(WINDBREAKSIGN>0 and WINDBREAKSIGN<100, 25)>=1 AND IF(CROSS(MACD(12, 26, 9), MACD(12, 26, 9)), IF(CROSS(MACD(5, 10, 9), MACD(5, 10, 9)), CROSS(KDJ(9, 3, 3).DJ_K, KDJ(9, 3, 3).DJ_D), 0), 0) AND MARKET!=2 AND STATUS=0 ORDER BY PE DESC
其中，MACD、KDJ、RSI均为常用技术指标，DJ_K、DJ_D分别为KDJ指标的K值和D值。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from pytdx.exhq import TdxExHq_API
import time
api = TdxHq_API()
api.connect('119.147.212.81', 7709)
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type', 'industry'])
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:
finance_data = api.get_finance_info(code, 0)
quotes = api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])
if quotes['last_prices'][0] < 1:
exapi = TdxExHq_API(auto_retry=True)
exapi.connect('106.14.95.149', 7727)
k_data = exapi.get_minute_time_data(exapi.to_market_code(str(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0]) + code), 2)
exapi.disconnect()
else:
k_data = api.get_security_bars(9 if quotes['last_prices'][0] < 10 else 0, 0, code, 5, 350)
if len(k_data) > 0 and \
k_data['turnover'].quantile(0.7) >= 0.03 and \
k_data['turnover'].quantile(0.7) <= 0.12 and \
any(k_data['high'].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
finance_data['org_net_vol'][0] > 0 and \
len(k_data) >= 26:
macd_12, macd_26, signal = talib.MACD(k_data['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
macd_5, macd_10, signal2 = talib.MACD(k_data['close'].values, fastperiod=5, slowperiod=10, signalperiod=9)
k, d = talib.STOCH(k_data['high'].values, k_data['low'].values, k_data['close'].values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
if macd_12[-1] > signal[-1] and macd_12[-2] <= signal[-2] and \
macd_5[-1] > signal2[-1] and macd_5[-2] <= signal2[-2] and \
k[-1] > d[-1] and k[-2] <= d[-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],
'pe': finance_data['pe'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('pe', ascending=False).reset_index(drop=True)
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。
