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,深证主板中市盈率0-29.01市净率0-3.11的股票。
选股逻辑分析
该选股策略选择具备低换手率、有涨停，以及符合特定市盈率和市净率要求的深证主板股票，以寻找市场中的低价值投资机会。该选股策略可以较好地选出潜在的低估股票，并具备较好的风险控制。
有何风险？
该选股策略可能忽略其他重要因素对股票表现的影响，包括行业、公司基本面等。选股策略可能过度侧重市盈率、市净率等指标的选择，导致选出的股票数量较少。
如何优化？
可以增加其他因素，如股息率、技术指标、行业走势等指标进行筛选，以防止过度追求低价值策略所带来的风险。同时，可以尝试针对多种因素进行组合筛选，以获取更符合预期的股票。
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，深证主板中市盈率0-29.01市净率0-3.11的股票，并综合考虑其他因素进行筛选。同时，根据市场情况和行业走势来进行更精细化的筛选和优化。
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
INFOLEVEL='深圳主板' AND
PE>=0 AND PE<=29.01 AND PB>=0 AND PB<=3.11
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', '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:
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 \
any(k_data['high'][:-1].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
df_stocks[df_stocks['code'] == code]['infolevel'].values[0] == '深圳主板' and \
df_stocks[df_stocks['code'] == code]['pe'].values[0] >=0 and \
df_stocks[df_stocks['code'] == code]['pe'].values[0] <= 29.01 and \
df_stocks[df_stocks['code'] == code]['pb'].values[0] >= 0 and \
df_stocks[df_stocks['code'] == code]['pb'].values[0] <= 3.11:
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]})
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。
