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,昨天换手率＞8%。
选股逻辑分析
该选股策略选股逻辑主要在交投状况、市场热度等方面进行筛选，同时关注了昨天的交投情况。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。在交投水平上，选择换手率较高的股票，具有较高的流动性，容易吸引资金。同时增加昨天换手率＞8%的条件，可以关注短期交投活跃的股票，增加投资机会。
有何风险？
该选股逻辑可能忽略了公司的基本面、财务情况、管理层和行业竞争优势等因素，特别是昨天交投活跃可能仅仅短期资金的投机行为，存在短期购买力的危险。同时，忽略了股票的技术形态和长期趋势，仅仅注重当前的交投和热度，可能导致短期投资的风险。
如何优化？
可以加入更多的因素筛选标准，如加入基本面和财务因素、管理层因素、行业竞争优势等，综合考虑其他因素的影响。同时，可以在调整选股标准时，再次对市场整体情况、流动性和交投活跃度等因素进行调整，提高选股和风控的准确性。还可以选择较长时间窗口的换手率和涨跌幅等指标，更全面地考虑股票的交投和市场热度等因素。
最终的选股逻辑
该选股策略选股逻辑为：市场情绪和交投活跃程度高，同时加入市场基本面和管理层、财务、行业竞争因素等多重标准，综合挑选营收稳定、业绩表现优异，具有投资价值的股票；加入昨日的换手率＞8%，关注短期交投活跃的股票，有望提供更多投资机会。
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 YESTERDAY_TURNOVER_RATIO >0.08
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)
end_date = datetime.today().strftime('%Y-%m-%d')
start_date = (datetime.today() - timedelta(days=25)).strftime('%Y-%m-%d')
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] == '':
try:
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)]
yesterday_data = api.get_security_bars(9, 0, code, 4, (datetime.today()-timedelta(days=1)).strftime('%Y-%m-%d'))
trade_vol_yesterday = yesterday_data['vol'][0] / 100
total_vol_yesterday = yesterday_data['buypct'][0]
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 \
trade_vol_yesterday / total_vol_yesterday > 0.08:
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 Exception as e:
print(e)
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。
