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,未清偿可转债简称不可为空。
选股逻辑分析
该选股策略选股逻辑主要基于市场情绪和基本面因素。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。未清偿可转债简称不可为空则强调了公司可转债的特殊属性，可能对股票价格产生积极影响。选股策略充分考虑了市场情绪和基本面因素的综合影响，分类选股的精准度较高。
有何风险？
该选股策略较为依赖基本面因素，未能充分考虑到市场情绪对股票走势的影响。此外，可转债市场属于相对较小的市场，有一定的流动性风险，存在未能及时获取可转债信息的情况。另外，未清偿可转债简称不可为空这一选股条件也可能过强地夹杂负面影响因素，导致分类选股结果不准确。
如何优化？
可进一步提高数据获取和分析的精准度，以争取更为全面和准确的数据来源。可尝试将市场情绪因素加入选股条件，同时引入技术指标和基本面进行综合分析，以提高选股策略的准确度。此外，对于可转债市场的信息，可采取更为主动的调研和获取方法，提高选股策略的分类准确度。
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，公司可转债未清偿的简称不为空。同时，加入基本面分析的维度，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
NOT DROP('bond_issue_short_name') AND
NOT DROP('bond_issue_code')
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',
'bond_issue_short_name', 'bond_issue_code'])
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 \
not pd.isnull(df_stocks[df_stocks['code'] == code]['bond_issue_short_name'].values[0]) and \
not pd.isnull(df_stocks[df_stocks['code'] == code]['bond_issue_code'].values[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],
'industry': df_stocks[df_stocks['code'] == code]['industry'].values[0],
'infolevel': df_stocks[df_stocks['code'] == code]['infolevel'].values[0],
'bond_issue_short_name': df_stocks[df_stocks['code'] == code]['bond_issue_short_name'].values[0],
'bond_issue_code': df_stocks[df_stocks['code'] == code]['bond_issue_code'].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。
