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，规模2亿以上的股票。
选股逻辑分析
该选股策略选择换手率适中、近期有表现、规模适中的股票。这种选股策略相对于低估值的选股策略，更加看重短期市场趋势和公司的基本面，强调盈利能力和规模的匹配关系，有一定的风险控制能力。但是，该策略可能还是过于短期化，忽略了公司的长期发展。
有何风险？
该选股策略可能忽略公司长期发展前景和行业周期的因素，过于依赖短期市场行情，容易受到市场波动和利好消息影响较大。
如何优化？
可以综合考虑公司的基本面、行业发展前景、资产负债率、毛利率等因素，并对这些因素进行优先级的排序。同时，在比较选股效果的基础上，考虑加入其他较稳定的指标组合，如 ROE、市盈率等，以提高选股的准确性和稳定性。
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，规模2亿以上的股票，同时综合考虑公司基本面、行业前景、资产负债率、毛利率等因素。在以上因素的基础上，继续进行实证研究和优化，以稳定筛选出低风险的高收益股票。
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
TOTAL_MARKET_CAP>=2e8
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 \
any(k_data['high'][:-1].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
df_stocks[df_stocks['code'] == code]['total_market_cap'].values[0] >= 2e8:
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。
