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,现量大于1万手，高开。
选股逻辑分析
该选股策略选股逻辑主要基于技术面和市场情绪因素。换手率适中可以确定市场交投状况的活跃水平，前25天有涨停可以看做市场热度的体现，同时也表明市场中存在一定的买盘，有望推动股票价格向上。现量大于1万手可以较好的过滤掉一些低成交量的股票，从而提升选股准确度。高开在一定程度上反映了市场对股票的看好程度。
有何风险？
该选股策略仍然较为偏重于技术面和市场情绪的因素，未能充分考虑到公司的基本面因素，也未能排除掉市场情绪因素对股票走势的误导。此外，高开的筛选条件也不一定适用于所有市场环境，存在过于强调一定涨幅的风险，有可能对投资收益造成影响。
如何优化？
可在保持现量大于1万手的前提下，增加一些基本面分析的指标，如股票市盈率、市净率、ROE等等，并将技术指标和基本面进行综合分析，进一步提高选股的准确度。此外，对于高开指标的应用，可以采用更为严谨的数据分析和模型建立方法，依据具体市场情况进行合理调整。
最终的选股逻辑
该选股策略选股逻辑为：股票换手率适中、近期存在增长抱团现象，现量大于1万手，盘中高开。同时，加入基本面分析的维度，考虑估值水平、运营状况、行业前景等因素，构建多元模型，全面考虑个股的多种因素，提高分类选股的准确度。
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
VOLUME>10000 AND
C>OPEN
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', '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['volume'].iloc[-1] >= 10000 and \
k_data['open'].iloc[-1] < k_data['close'].iloc[-2]:
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。
