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,三连阴。
选股逻辑分析
该选股策略综合考虑了股票的流动性和市场情绪等因素，同时增加了操作数据的参考，以找到有潜在投资价值的优质股票。其中，换手率为中等水平，具有一定的流动性；前25天有涨停板的出现显示了市场情绪的改善，且同时有三连阴的出现则显示出市场大盘的整体调整，筛选出符合此选股逻辑的股票，可以在市场下跌时具备明显上涨潜力。
有何风险？
该选股逻辑仅考虑了市场情绪和大盘走势等因素，忽略了股票的基本面数据和财务状况等重要因素，存在一定的风险。
如何优化？
优化方法可以考虑引入基本面和财务状况等多重因素进行筛选，提高选股精度。同时，行业选择也可以适当扩大范围，避免过度专注。另外，该策略只考虑了三连阴的情况，可以尝试通过增加其他指标，如RSI或MACD等技术指标来完善选股逻辑，提高选股的准确性和稳定性。
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,三连阴，并综合考虑多重因素进行筛选。
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 REF(CLOSE,2)<REF(CLOSE,1) AND REF(CLOSE,1)<CLOSE AND REF(CLOSE,2)<MA(CLOSE, 5) AND REF(CLOSE,1)<MA(CLOSE, 5) AND CLOSE<MA(CLOSE, 5) ORDER BY CAPITALFLOW_HSGT DESC
其中，REF(CLOSE,2)<REF(CLOSE,1)和REF(CLOSE,1)<CLOSE用于选择三连阴的情况，其它条件同上一例子。
python代码参考
import pandas as pd
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(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type', 'industry'])
# 获取A股数据
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:
stock_k_data = api.get_k_data(code, 'D')
if stock_k_data is not None and len(stock_k_data) >= 2 * 240 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[stock_k_data['high'] == stock_k_data['high'].rolling(2).max()][['high']].shift(1).expanding(min_periods=20).max().iloc[-1, 0] == stock_k_data['high'].rolling(20).max().iloc[-1] and \
stock_k_data['close'].rolling(3).apply(lambda x: x[0] < x[1] < x[2]).iloc[-1] and \
stock_k_data['close'].rolling(3).apply(lambda x: x[0] < x[1]).iloc[-1] and \
stock_k_data['close'].rolling(3).apply(lambda x: x[1] < x[2]).iloc[-1] and \
stock_k_data['close'].rolling(3).apply(lambda x: x[2] < stock_k_data['ma5'].iloc[-1]).iloc[-1] and \
stock_k_data['close'].rolling(2).apply(lambda x: x[0] < x[1]).iloc[-1] and \
stock_k_data['close'].iloc[-1] < stock_k_data['ma5'].iloc[-1] and \
api.get_finance_info(code, 0)['mbrg'][0] > 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],
'capitalflow_hsgt': api.get_capital_distribution(code, 4, 1)['hgtjme'][-1]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks[df_selected_stocks['capitalflow_hsgt']>=0].sort_values('capitalflow_hsgt', ascending=False).reset_index(drop=True)
# 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。
