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,非ST（10点之前选股票）五部涨停战法。
选股逻辑分析
该选股策略基于换手率和涨停板信息，同时设置非ST条件和在交易日早上10点前选出五部涨停战法，选出高潜力的标的。该选股策略依旧以换手率和涨停板情况为主要参考指标，同时结合其它市场因素进行综合分析。选股策略的选股流程清晰，易于操作，同时其选股标准非常严格，提高了选出优质标的的概率。
有何风险？
该选股策略在选股标准上设置了非常严苛的条件，可能会漏选一些具备潜力的标的，因此选股准确率不是非常高。
如何优化？
可以加入一些其它的技术指标，如市盈率、市净率等，增加非涨停标的的筛选范围，从而提高选股的广度和准确率。
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,非ST（10点之前选股票）五部涨停战法，同时结合其它技术指标进行综合筛选过滤。
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
NOT ST_TAG(INDEX), TIME = 'Morning' AND
LAST_CLOSE<=PRICE_LIMIT AND AVERAGE_PRICE==5*PRICE_LIMIT
其中，NOT ST_TAG(INDEX), TIME = 'Morning'表示非ST股票且在早上10点之前选出，AVERAGE_PRICE==5*PRICE_LIMIT表示选出五部涨停的标的。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from pytdx.exhq import TdxExHq_API
api = TdxHq_API()
exapi = TdxExHq_API(auto_retry=True)
api.connect('119.147.212.81', 7709)
exapi.connect('106.14.95.149', 7727)
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:
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 \
(api.get_security_bars(9, 0, code, 0, 1)['price_limit'].values[0] - api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['last_prices'][0])/api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['last_prices'][0] >= 0.05:
utils_ = Utils(exapi)
data = exapi.to_df(utils_.get_finance_info(code), 'gbk')
if data is not None and \
data[data['报告期'] == '2021/6/30']['净利润同比增长率'].values[0] > 0 and \
data[data['报告期'] == '2021/6/30']['总资产同比增长率'].values[0] > 0 and \
data[data['报告期'] == '2021/6/30']['总资产周转率'].values[0] > 0.2 and \
data[data['报告期'] == '2021/6/30']['净资产收益率'].values[0] > 0.1:
k_data = api.get_security_bars(9 if api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['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 \
api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['last_prices'][0] <= round(1.10*api.get_security_bars(9, 0, code, 0, 1)['price_limit'].values[0], 2) and \
len(api.get_security_bars(9, 0, code, 0, 5)) >=5 and \
((api.get_security_bars(9, 0, code, 0, 5)['highest_price'] / api.get_security_bars(9, 0, code, 0, 5)['last_close'] - 1) > 0.09).sum() >= 5:
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],
'change': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['change'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('change', ascending=False).head(5).reset_index(drop=True)
api.disconnect()
exapi.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。
