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,今日上涨>1主板。
选股逻辑分析
该选股策略选股条件中的换手率和前25天有涨停板可以反映股票的市场情绪和热度，涨停板的出现可以看作市场对该股票的认可和偏爱。昨日上涨>1主板表明股票具有较强的市场反弹力，可以在接下来的趋势中享有相应的回报。筛选出符合此选股逻辑的股票，可以选择具备较好业绩的公司，适合短期投机。
有何风险？
该选股逻辑缺乏基本面数据和长期趋势参考，选股风险较大，容易出现短期上涨后的回调和反弹失败等情况。
如何优化？
优化方法可以考虑引入基本面数据和趋势指标等，如市盈率、市净率、ROE和均线等指标，以挖掘更多的投资价值。同时，可以结合技术分析等方法，既能够识别趋势和交易信号，又能够考虑基本面数据，提高选股的准确性和稳健性。
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,今日上涨>1主板值，结合多重因素进行筛选。
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 CLOSE>REF(CLOSE, 1)*1.01 AND MARKET!=2 AND STATUS=0 ORDER BY PE DESC
其中，CLOSE表示当日收盘价，REF(CLOSE, 1)表示昨日的收盘价，PE表示市盈率，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'].iloc[-1]/stock_k_data['close'].iloc[-2] > 1.01 and \
df_stocks[df_stocks['code'] == code]['market_type'].values[0] != 2 and \
api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['last_prices'][0] > api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], '000001')])['last_prices'][0]:
finance_data = api.get_finance_info(code, 0)
if len(finance_data) > 0:
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)
# 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。
