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,酷特智能早晨之星。
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，可以挖掘出在近期内表现出闪闪发光迹象的股票，提供具有潜在买入价值的信号。其中，大量换手率表明了市场对股票情绪的集中表达，正是这种情绪在推动股票价格的波动。而前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。酷特智能早晨之星是将三个日K线形态结合在一起的投资技术分析方法，是确定趋势反转的信号，有助于进一步判断股票价格走势的变化。
有何风险？
该选股策略过于追求市场情绪、技术面指标，忽视了个股本身的基本面因素，存在过度乐观或者过度悲观的可能性。如果市场情绪因素具有过度强化的效果，可能会导致对股票价格走势的判断出现偏差，进而影响投资的收益。
如何优化？
可以结合基本面因素和市场情绪因素，进一步综合考虑个股的估值、行业和公司内部运营状况等方面的因素。同时，可以将技术指标和市场情绪分析与基本面因素结合，通过构建多因素模型，提高分类选股的准确度。考虑到市场情绪因素的稳定性和重要性，可以加入相关因素和指标，进行综合分析。
最终的选股逻辑
该选股策略选股逻辑为：换手率适中、近期存在增长抱团现象、酷特智能早晨之星。同时，结合公司的基本面因素、估值水平、运营状况、行业前景等因素进行综合分析，构建多元模型，提高选股准确度。
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
C<REF(H,1) AND
C>REF(H,2) AND
C>REF(C,2) AND
REF(C,1)<REF(C,2) AND
REF(C,1)<O AND
REF(C,1)<REF(O,1) AND
REF(C,2)>REF(O,2) AND
C>MA(C,5) AND
C<MAX(C,10)
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from ta.momentum import ThreeWhiteSoldiers
from stockstats import StockDataFrame
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 \
ThreeWhiteSoldiers(k_data['open'], k_data['high'], k_data['low'], k_data['close']).iloc[-1] == 100 and \
StockDataFrame.retype(k_data)['cr'][0] >= 100:
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。
