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,昨日主力控盘。
选股逻辑分析
该选股策略主要考虑了市场流动性、市场情绪以及股票的主力资金流向等因素，以及过去股票的涨幅表现，同时把握市场情绪和基本面的相互影响。该选股策略较为稳健且简单易行，在选股时有一定的筛选能力。
有何风险？
该选股策略存在过度依赖主力资金流向的风险，可能会忽略股票的基本面、盈利能力、商业模式、财务状况等重要因素，而导致盈利的不稳定性和可持续性等风险。同时，该选股策略可能会被市场情绪、盈利预期等因素所影响，而导致选股策略的失效。
如何优化？
可以综合考虑股票基本面、行业因素、财务指标等多方面因素，提高选股策略的准确性，同时结合市场情绪、流动性等因素对选股进行综合分析。同时，主力资金流向是一个重要指标，但需要用更多指标来协同确认，同时可以加入一定的动态调整机制，对选股策略进行优化和调整，以最大化选股策略的效果。
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,昨日主力控盘，结合股票的基本面、盈利能力、流动性等因素进行综合评估。
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(MAINFORCEMONEY)>=0
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'])
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:
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() - timedelta(days=1)).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 \
any(k_data['high'][:-1].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
api.get_security_latest_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])[0]['主力净流入'] >= 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],
'change': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['change'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('change', ascending=False).reset_index(drop=True)
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。
