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,今日最大跌幅＜-4且＞-5。
选股逻辑分析
该选股策略基于换手率和涨停板信息以及当日最大跌幅这一技术指标，选出具备反弹潜力的标的。选股策略将技术指标和基本面指标结合，综合考虑筛选出具有良好估值和盈利能力的优质标的。
有何风险？
该指标仅仅考虑了近期的技术指标，忽略了公司的基本面信息与长期走势，会存在挑选出一些质量较低的公司的风险。
如何优化？
可以加入其他技术和基本面指标进行综合分析，同时可以加入其它量化指标，如均线、波动率等辅助分析，从而提高选股的准确度。
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,今日最大跌幅＜-4且＞-5，从而筛选出具备反弹潜力的标的。
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 (HIGH-OPEN)>0 AND (LOW-CLOSE)/CLOSE<0.05 AND (LOW-OPEN)/OPEN>-0.05 AND (LOW-HIGH)/HIGH<-0.04
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
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:
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:
k_data = api.get_security_bars(9, 0, code, 5, 25)
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 \
(k_data['high'].iloc[-1] - k_data['open'].iloc[-1]) > 0 and \
(k_data['low'].iloc[-1] - k_data['close'].iloc[-1]) / k_data['close'].iloc[-1] < 0.05 and \
(k_data['low'].iloc[-1] - k_data['open'].iloc[-1]) / k_data['open'].iloc[-1] > -0.05 and \
(k_data['low'].iloc[-1] - k_data['high'].iloc[-1]) / k_data['high'].iloc[-1] < -0.04:
max_fallback = (k_data['low'] - k_data['close']).min() / k_data['close'].iloc[-2]
if max_fallback > -0.05 and max_fallback < -0.04:
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],
'max_fallback': max_fallback,
'change': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['change'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('change', 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。
