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,机构抄底。
选股逻辑分析
该选股策略在前25天有涨停的基础上，加入了机构抄底因素进行筛选，选出机构看好的标的。机构在抄底时往往会对公司的基本面因素进行评估，因此该选股策略在一定程度上综合考虑了基本面因素和机构观点。同时，选股条件相对宽松，适用于市场整体表现较好的时期。
有何风险？
该选股策略虽然加入了机构抄底因素进行筛选，但不能完全保证机构抄底的正确性。同时，该选股条件相对宽松，存在选取股票数量较多的风险，而且准确率可能不高。
如何优化？
可以从基本面数据和技术指标入手，加强对企业经营状况的评估和分析。此外，可以通过深入了解机构的投资风格和投资策略，筛选出符合机构投资偏好的标的。同时，也可以通过优化选股条件，提高选股的精准度。
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,机构抄底，同时结合基本面因素和技术指标进行筛选。
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 CHG>0 AND
count(LARGE_VOL>0,5)>=1 AND
MAM5>MAM10 AND MAM10>MAM20 AND
OPE>=10 AND OPE<=40
其中，MAM5、MAM10、MAM20分别表示5日、10日、20日的移动平均值，OPE表示机构持股占比的百分数。
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:
finance_data = api.get_finance_info(code, 0)
quotes = api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])
if quotes['last_prices'][0] < 1:
exapi = TdxExHq_API(auto_retry=True)
exapi.connect('106.14.95.149', 7727)
k_data = exapi.get_minute_time_data(exapi.to_market_code(str(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0]) + code), 2)
exapi.disconnect()
else:
k_data = api.get_security_bars(9 if quotes['last_prices'][0] < 10 else 0, 0, code, 5, 350)
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'].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
finance_data['JGSL'][0] > finance_data['JGSL'][1] and \
k_data['volume'].rolling(window=5).sum().iloc[-1] > k_data['volume'].rolling(window=5).sum().quantile(0.7) and \
k_data['ma5'].iloc[-1] > k_data['ma10'].iloc[-1] > k_data['ma20'].iloc[-1] and \
finance_data['JGMC'][0] == '社保基金' and \
finance_data['GXL'].iloc[-1] >= 5 and \
finance_data['GXL'].iloc[-1] <= 40:
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],
'turnover_ratio': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['turnover'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('turnover_ratio', ascending=True).head(5).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。
