问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%,剔除北京A股,前25天有涨停的股票中选取。
选股逻辑分析
该选股逻辑主要考虑了市场热点和涨停板的催化作用，通过选取前25天有涨停的股票进行选股。同时，也考虑了资金面因素，通过选取换手率较为活跃的股票进行筛选。
有何风险？
该选股逻辑只关注了市场热点和股票涨停的情况，可能存在热点的迅速冷却或股票涨停后遭遇资金撤退等风险。
如何优化？
可以考虑引入其他因素进行综合分析，例如基本面因素、行业环境等，以降低选股的风险。可以引入机器学习方法进行模型训练和特征工程，以提高选股的稳定性和效果。
最终的选股逻辑
在换手率3%-12%,剔除北京A股,前25天有涨停板的股票中进行选取，综合考虑其他因素并分析选股。
同花顺指标公式代码参考
无需使用指标公式。
Python代码参考
import tushare as ts
import numpy as np
import pandas as pd
def select_good_stocks():
ts.set_token('your_token')
pro = ts.pro_api()
# 筛选出换手率3%-12%,剔除北京A股
df1 = pro.stock_basic(exchange='SZSE', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
df1 = df1[(df1['name'].str.contains('ST') == False)]
df1 = df1[(df1['ts_code'].str.startswith('002') == True) | (df1['ts_code'].str.startswith('000') == True)]
df2 = pro.daily(ts_code='', start_date='20220101', end_date='20220110')
df2 = df2.groupby(['ts_code']).first() # 获取开盘价
df2 = df2[['open']]
df1 = pd.merge(df1, df2, on="ts_code", how="inner") # 将dataframe按ts_code进行连接
# 获取前25天有涨停板的股票
df3 = pro.limit_list(trade_date='', limit_type='U', start_date='20220110', end_date='20220110', fields='ts_code')
for code in df3['ts_code']:
df1 = df1[df1['ts_code'].str.contains(code) == False]
df1 = df1.head(20)
return df1
good_stocks = select_good_stocks()
print(good_stocks)
## 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。
