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，大单净量排行。
选股逻辑分析
该选股策略选股逻辑基于市场情绪和资金面因素。换手率适中可以确定市场交投状况的活跃水平，前25天有涨停可以看做市场热度和资金流入的体现，同时也表明市场中存在一定的买盘，有望推动股票价格向上。另外，大单净量排行可以反映主力资金的参与水平，也是考虑资金面的一个重要因素。该选股逻辑可以综合考虑市场情绪和资金面双重因素，挑选具有潜在上涨机会的股票。
有何风险？
该选股策略过于依赖市场情绪和资金面因素，未能充分考虑基本面因素的影响，同时大单净量排行数据的可靠性也存在风险，容易被非理性投机行为所影响。
如何优化？
可将基本面因素纳入选股策略中，如PE、PB等估值指标、净利润等财报数据，同时考虑行业和市场板块的影响因素，在情绪和资金面的基础上多一个维度的选择。另外，可以结合其他量化指标如RSI、MACD等技术面因素进行选股，更好地过滤市场的非理性反应，提高分类效果。
最终的选股逻辑
该选股策略选股逻辑为：股票换手率适中，近期存在增长抱团现象，主力资金参与情况较为活跃。同时，加入基本面分析维度，考虑估值水平、运营状况、行业前景等因素，构建多元模型，全面考虑个股的多种因素，提高分类选股的准确度。
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
C/C1>=1 AND D>0 AND C>2
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', 'list_date', 'delist_date', 'infolevel'])
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 and \
df_stocks[df_stocks['code'] == code]['list_date'].values[0] <= '2000-01-01' and df_stocks[df_stocks['code'] == code]['delist_date'].values[0] == '':
end_date = datetime.today().strftime('%Y-%m-%d')
start_date = (datetime.today() - timedelta(days=25)).strftime('%Y-%m-%d')
k_data = api.get_security_bars(9, 0, code, 4, datetime.today().strftime('%Y-%m-%d'))
k_data['date'] = k_data['datetime'].apply(lambda x: datetime.fromtimestamp(time.mktime(time.strptime(str(x), '%Y%m%d%H%M%S'))).strftime('%Y-%m-%d'))
k_data = k_data.loc[(k_data['date'] >= start_date) & (k_data['date'] <= end_date)]
if len(k_data) > 0 and \
k_data['turnover'].quantile(0.7) >= 0.03 and \
k_data['turnover'].quantile(0.7) <= 0.12 and \
len(k_data[k_data['pct_chg'] >= 9.93]) >= 1:
try:
big_trade = api.get_big_order_data(code)
if len(big_trade) > 0 and big_trade['B']/big_trade['S'] >= 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],
'industry': df_stocks[df_stocks['code'] == code]['industry'].values[0],
'infolevel': df_stocks[df_stocks['code'] == code]['infolevel'].values[0]})
except:
continue
df_selected_stocks = pd.DataFrame(selected_stocks)
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。
