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,外盘/内盘大于1.3。
选股逻辑分析
该选股策略加入了外盘/内盘比指标，可以筛选出市场情绪较强烈的潜力股。同时加入了换手率和前25天有涨停，可以选出市场情绪热度高且有前景的潜力股。选股后，需要结合基本面和技术分析等方法进行股票的筛选和交易。
有何风险？
该选股逻辑中加入了外盘/内盘比，但该指标容易受到市场人气和盘面情况等因素的影响，难以准确预测该股票的走势；同时，如果大量资金投入到一只股票中，可能会产生一定的人为影响，难以准确预测该股票的走势，存在选股风险。
如何优化？
优化方法可以考虑加入排除因素和其他指标，例如，机构持股、财务报告、市盈率等基本面数据指标。同时，可以引入技术分析工具，例如均线、MACD、KDJ等指标，以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,外盘/内盘比，结合多重因素进行筛选和交易。
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 WP/UP>=1.3 AND MARKET!=2 AND STATUS=0 ORDER BY PE DESC
其中，WP表示外盘，UP表示内盘，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['wp'].iloc[-1] / stock_k_data['up'].iloc[-1] >= 1.3 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。
