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,连续3天以上大单净量大于0.05。
选股逻辑分析
该选股策略在前25天有涨停的基础上，加入了大单净量因素进行筛选，选出连续受到机构资金青睐的标的。该选股策略以机构资金为核心，抓住机构资金流入股票的优质时机，可以有效降低选错标的的风险。
有何风险？
该选股策略只考虑大单净量而没有考虑其它的技术指标，因此选股的准确性可能会出现问题。此外，大单净量的判断需要考虑股票的流通性等多方面因素，因此需要多方面综合考虑，降低选股风险。
如何优化？
可以结合其它技术指标进行辅助分析，如成交量、涨跌幅等，综合判断是否具备买入信号。此外，可以加入一些过滤条件，去除一些不符合预期的股票，进一步提高选股准确率。
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,连续3天以上大单净量大于0.05，同时结合其它技术指标进行筛选。
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 CHG>0 AND
SUM(CAPITAL_MAIN_NET_2>=0.05,3)>=3 AND
MAM5>MAM10 AND MAM10>MAM20 AND
OPE>=10 AND OPE<=40
其中，SUM(CAPITAL_MAIN_NET_2>=0.05,3)表示最近三天内大单净量均大于等于0.05。
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'])
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)])
if quotes['last_prices'][0] < 1:
exapi = TdxExHq_API(auto_retry=True)
exapi.connect('106.14.95.149', 7727)
k_data = exapi.get_minute_time_data(exapi.to_market_code(str(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0]) + code), 2)
exapi.disconnect()
else:
k_data = api.get_security_bars(9 if quotes['last_prices'][0] < 10 else 0, 0, code, 5, 350)
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'].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
finance_data['JGSL'][0] > finance_data['JGSL'][1] and \
k_data['volume'].rolling(window=5).sum().iloc[-1] > k_data['volume'].rolling(window=5).sum().quantile(0.7) and \
k_data['ma5'].iloc[-1] > k_data['ma10'].iloc[-1] > k_data['ma20'].iloc[-1] and \
finance_data['JGMC'][0] == '社保基金' and \
finance_data['GXL'].iloc[-1] >= 5 and \
finance_data['GXL'].iloc[-1] <= 40 and \
(k_data['capital_main_net'].rolling(window=3).sum() > 0.05).sum() >= 3:
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],
'turnover_ratio': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['turnover'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('turnover_ratio', ascending=True).head(5).reset_index(drop=True)
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。
