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,换手率>2%且<9%。
选股逻辑分析
该选股策略选股逻辑基于市场情绪、交投状况、资金面因素。在确定换手率3%-12%范围内，挑选较为活跃的股票；同时关注前25天的市场状况，有涨停可以看做市场热度和资金流入的体现，有望推动股票价格向上；而在交投水平上，选择换手率适中的股票，较为稳定，交投活跃度中等。该选股逻辑可能会挑选出较为潜在上涨机会的股票。
有何风险？
该选股逻辑关注市场情绪和交投状况，对于基本面因素未作特别关注，未直接考虑公司具体业务和运营状况，盲目依赖市场情绪和热点热度，存在市场波动风险。同时因选股因素仅限于换手率和涨停，使该选股策略明显过于简单化，与市场鱼肉快感的原则相悖，难以有相对稳定稳健的盈利表现。
如何优化？
可以将财务、业绩、估值以及市场条款等多维度的指标加入选股因素，强调基本面、资金面和技术面的有效结合，进一步提升精度和稳健性，增强选股效果。同时，加入选股趋势的加速、量能、动能因素，如25日、50日均线，优化效果。选择权益基金等专业机构提供的研究内容、数据，充分发挥其专业性发掘潜力与机会。
最终的选股逻辑
该选股策略选股逻辑为：市场整体热度需较高，交投活跃度中等，同时加入基本面选股因素。综合考虑公司财务和业绩、估值水平以及市场条款，最终选择高质量股票，提高分类选股的准确度和盈利能力。
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 TURNOVER_RATIO_SMA(25)>0.02 AND TURNOVER_RATIO_SMA(25)<0.09 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 datetime import datetime, timedelta
import time
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 and \
k_data['turnover'].quantile(0.6) > 0.02 and \
k_data['turnover'].quantile(0.6) < 0.09:
try:
df_stocks_info = api.get_security_quotes([code])
trade_vol = df_stocks_info['vol'][0] / 100
total_vol = df_stocks_info['buypct'][0]
if trade_vol < total_vol:
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。
