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股以及周线红柱的股票中选取。
选股逻辑分析
除了考虑换手率和地域因素之外，还加入了周线红柱的要求，筛选出一些短期表现良好的股票。
有何风险？
与之前相比，该选股逻辑更加简单，并且只考虑了短期表现，存在选股结果不稳定的风险。同时，周线红柱只是一个简单的指标，无法全面反映股票的情况，也容易出现选股结果的盲区。
如何优化？
应该结合其他指标进行筛选，如基本面指标、技术指标等，以降低选股的风险。同时，可以尝试使用机器学习等方法进行模型训练和数据特征工程，提高选股的精度和有效性。
最终的选股逻辑
在换手率3%-12%,剔除北京A股以及周线红柱的股票中进行选取，并综合考虑其他相关因素对股票进行筛选。
同花顺指标公式代码参考
选股逻辑中只涉及到周线红柱，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()
# 筛选出反包内的股票
df1 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df2 = pd.read_excel('path/to/reverse_list.xlsx')
reverse_stocks = df2['代码'].tolist()
df1 = df1[df1['ts_code'].isin(reverse_stocks)]
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
df1 = df1[(df1['name'].str.contains('ST') == False)]
df1 = df1[(df1['area'] != '北京')]
df_week = pro.index_weekly(ts_code='000001.SH', start_date='20211201', end_date='20211216', fields='ts_code,trade_date,close,pct_chg')
df_week['trade_week'] = df_week['trade_date'].apply(lambda x: x.strftime('%Y-%W'))
df_week['is_increase'] = np.where(df_week['pct_chg'] > 0, 1, 0)
df_week['is_red'] = np.where((df_week['close'] > df_week['close'].shift(1)) & (df_week['is_increase'] == 1), 1, 0)
df_week_summary = df_week.groupby('ts_code')['is_red'].agg('sum').reset_index()
df1 = pd.merge(df1, df_week_summary, how='left', on='ts_code')
df1 = df1[df1['is_red'] >= 3].reset_index(drop=True)
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。
