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,涨幅<2.6且涨幅>-5。
选股逻辑分析
该选股策略综合考虑了换手率、涨停和股票涨幅等因素，可以筛选出市场情绪较好、有潜力、波动性适中的股票，可以为后续选股操作提供方向和参考，结合其他技术指标，如均线系统、相对强弱指标等进行进一步的优化和交易。
有何风险？
在选股策略中过分依赖技术面指标，可能会导致策略的死板和对当前市场情况的准确把握程度降低，同时，如果选取的指标不当，可能会导致策略选出的股票风险较高，后期交易存在风险。
如何优化？
可以考虑引入更多的数据指标，如资产负债率、利润增长率等基本面数据指标，以及其他技术指标的混搭选用，如在macd的变化之上混合进一些阻挡线的变化等。适当降低指标和条件的数量，结合当前市场情况实时监测、调整和优化。
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,涨幅<2.6且涨幅>-5，并结合其他基本面指标以及技术面指标进行综合筛选和交易。
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 PRICE>=LASTCLOSE*0.95 AND PRICE<=LASTCLOSE*1.026 AND MARKET!=2 AND STATUS=0 ORDER BY PE DESC
其中，其它条件同上一例子。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
# 创建连接
api = TdxHq_API()
api.connect('119.147.212.81', 7709)
# 所有A股列表
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type', 'industry'])
# 获取A股数据
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)])
jingjia_change_rate = (quotes['last_prices'][0] - quotes['pre_close_prices'][0]) / quotes['pre_close_prices'][0]
if len(finance_data) > 0 and \
finance_data['mktcap'][0] >= 5000000000 and \
finance_data['mktcap'][0] <= 10000000000 and \
jingjia_change_rate > -0.05 and \
jingjia_change_rate < 0.026:
stock_k_data = api.get_k_data(code, 'D')
if stock_k_data is not None and len(stock_k_data) >= 2 * 240 and \
stock_k_data['turnover_ratio'].quantile(0.7) >= 0.03 and \
stock_k_data['turnover_ratio'].quantile(0.7) <= 0.12 and \
stock_k_data[stock_k_data['high'] == stock_k_data['high'].rolling(2).max()][['high']].shift(1).expanding(min_periods=20).max().iloc[-1, 0] == stock_k_data['high'].rolling(20).max().iloc[-1] and \
stock_k_data.iloc[-1]['close'] >= stock_k_data.iloc[-1]['pre_close'] * 0.95 and \
stock_k_data.iloc[-1]['close'] <= stock_k_data.iloc[-1]['pre_close'] * 1.026 and \
api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['last_prices'][0] > api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], '000001')])['last_prices'][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],
'pe': finance_data['pe'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('pe', ascending=False).reset_index(drop=True)
# 断开连接
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。
