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,流通市值大于100亿元。
选股逻辑分析
该选股策略选股逻辑基于市场情绪、交投状况、资金面和市值因素。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；而在交投水平上，选择换手率适中的股票，较为稳定，交投活跃度中等。在市值方面，要求流通市值大于100亿元能筛选出相对具有实力的企业股票。该选股逻辑可能能够挑选出相对具有资本市场上市流动性和稳定性的股票。
有何风险？
该选股逻辑虽然考虑了市场情绪、交投状况、资金面和市值因素，但其中市值因素可能存在过于片面和粗略的风险。这一标准并未考虑公司的基本面和审计等因素，可能减弱股票市场投资回报率的表现和增大风险。市场热度和流通市值等指标间可能存在虚假热度和被操纵的可能，这也可能加大风险。
如何优化？
可以将财务、业绩、估值、市场政策等多维度的指标加入选股因素，强调基本面、资金面和技术面的有效结合，进一步提升精度和稳健性，增强选股效果，进一步考虑相应的财务、基本面评级和审计审查情况。同样加入交易趋势的加速、量能、动能因素，如25日、50日均线等，来优化换手率的选择。同时，深入了解权益基金等专业机构提供的研究内容、数据，充分发挥其专业性发掘潜力与机会。
最终的选股逻辑
该选股策略选股逻辑为：市场整体热度需较高，交投活跃度中等，同时加入基本面选股因素。综合考虑公司财务和业绩、估值水平、市场政策以及市场流动性和稳定性等多重因素，最终选择资本市场表现良好、投资价值高的股票，提高分类选股的准确度和盈利能力。
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 TURNOVER_RATIO_SMA(25)>0 AND COUNT(WINDBREAKSIGN>0 AND WINDBREAKSIGN<100, 25)>=1 AND TOTAL_SHARES>1E9
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)
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 \
len(k_data[k_data['pct_chg'] >= 9.93]) >= 1 and \
k_data['total_share'].values[0] > 10000000000:
try:
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:
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。
