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,收盘价在Bollinger Band上轨之下且在中轨之上的股票。
选股逻辑分析
该选股策略选股逻辑包含了获利盘出货后回调上行的个股，并通过加入涨停板的信息，筛选出近期表现较好的股票。而要求收盘价在Bollinger Band 上轨之下且在中轨之上，能够更好地把握个股波动性，剔除有较大可能性快速下探的股票。
有何风险？
该选股策略忽略个股的基本面因素，提供的信号主要基于技术面数据，可能导致过于乐观或过于谨慎地实施买入或卖出操作。同时，Bollinger Band信号反映的是波动性，不能全面反映股票的表现质量，需要综合考虑其他因素。
如何优化？
可以加入其他指标，如RSI、MACD等技术指标，以期提供更加全面的股票表现预测和获利点判断。同时，可以加入公司盈利、资产负债率、管理层稳定性等基本面因素，并根据行业趋势等因素，筛选出稳健成长的优质企业。此外，还可以关注市场情绪变化等相关因素，更准确地判断股票的风险和收益。
最终的选股逻辑
该选股策略选股逻辑为：换手率适中、近期表现优异、有回调上行信号的股票。同时综合考虑公司基本面、行业前景、资产负债率、管理层稳定性等因素，并加入技术指标如RSI、MACD等，以筛选出稳健成长的优质企业。在以上因素的基础上，进一步关注市场情绪变化等实时因素，更准确地判断股票的风险和收益。
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<BOLLUPPER(CLOSE, 20, 2) AND CLOSE>BOLLMD(CLOSE, 20, 2)
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from ta.volatility import BollingerBands
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 \
sum(k_data['high'][:-1].rolling(window=10).apply(lambda x: (x == x.max()).any())) >= 3:
df_k_data = pd.DataFrame({'open': k_data['open'],
'high': k_data['high'],
'low': k_data['low'],
'close': k_data['close'],
'volume': k_data['vol']})
bollinger = BollingerBands(df_k_data['close'], window=20, window_dev=2)
if df_k_data['close'].iloc[-1] < bollinger.bollinger_hband().iloc[-1] and df_k_data['close'].iloc[-1] > bollinger.bollinger_mavg().iloc[-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]})
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。
