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,流通盘小于等于55亿股。
选股逻辑分析
该选股策略选股逻辑侧重于技术分析和市场情绪分析，通过换手率的筛选，挑选出交投活跃程度适中的股票；通过出现涨停的标准来选择市场热度较高的股票；并且在这基础上加入流通盘的考虑，来寻找市值较小但市场关注度较高的股票。
有何风险？
该选股逻辑同样忽略了公司的基本面、资产质量、盈利能力、行业竞争格局等因素，在采用市场情绪分析时存在较大的选择偏差，这可能导致投资风险的增加。此外，在流通盘的考虑中，选股标准有可能不够准确，比如流通盘小于55亿的公司可能并不具备足够的市场关注度和投资价值。
如何优化？
可以增加更多的筛选标准，加入基本面和资产质量、盈利能力、行业竞争格局等多重标准，综合考虑股票的综合风险和盈利能力。同时，可以增加市场总体状况的考虑，通过市场宏观数据来规避市场风险，并针对不同的投资标的来选择不同的时间窗口，确定选股的合理性。流通盘也可以作为考虑指标之一，但需要结合企业的规模、增长性以及其他基本面指标来进行综合分析，以降低误判的风险。
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、资产质量、行业竞争格局等多重标准，综合挑选营收稳定、业绩表现优异，具有投资价值的股票；加入前25天有涨停的标准筛选具有较高市场热度的股票，并针对流通盘小于等于55亿的股票进行过滤，来寻找市值较小但市场关注度较高的股票。
同花顺指标公式代码参考
通达信指标代码：
REF(X,1)*(1+0.02)>=LOW AND REF(X,1)*(1+0.02)>=OPEN AND REF(X,1)*(1+0.02)>=CLOSE AND C<=MA(C,30) AND MA(C,3)>=MA(C,13) AND MA(C,13)>=MA(C,30) AND COUNT(WINDBREAKSIGN>0 AND WINDBREAKSIGN<100, 25)>=1 AND TURNOVERRATE>=0.03 AND TURNOVERRATE<=0.12 AND LCAP<=55000000000
python代码参考
import pandas as pd
import numpy as np
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:
stock_info = api.get_security_quotes([code])[0]
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'] >= 9.90]) >= 1 and \
k_data['low'].quantile(0.7)*(1+0.02) >= k_data.iloc[-1]['low'] and \
k_data.iloc[-1]['open'] <= k_data.iloc[-1]['low']*(1+0.02) and \
k_data.iloc[-1]['close'] <= k_data.iloc[-1]['low']*(1+0.02) and \
k_data.iloc[-1]['close'] <= k_data['close'].rolling(30).mean().iloc[-1] and \
np.logical_and(k_data['close'].rolling(3).mean().iloc[-1] >= k_data['close'].rolling(13).mean().iloc[-1],
k_data['close'].rolling(13).mean().iloc[-1] >= k_data['close'].rolling(30).mean().iloc[-1]) and \
stock_info['liutongguben']*stock_info['now'] <= 55000000000 and \
curr_capital > 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]})
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。
