问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、市值在100亿以内、无亏损的企业中进行筛选。
选股逻辑分析
该选股策略引入了企业的盈利情况和市值信息，可以更好地筛选出低风险的潜力股，同时也兼顾了股票的技术分析指标，提高了股票的可靠性。
有何风险？
该选股策略忽略了股票的流通股本和资产质量等基本面数据，可能选出的股票质量不同，甚至有一定程度的风险。
如何优化？
可以加入其他的技术分析指标，例如MACD、BOLL等指标，结合基本面数据一起进行分析，提高投资的成功率。同时，可以结合市场行情变化进行动态调整，使选出的股票更加符合市场情况。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、市值在100亿以内、无亏损的企业中进行筛选。
同花顺指标公式代码参考
选股条件：turnover_rate>=3 AND turnover_rate<=12 AND rc_min3>=85 AND npr>0 AND mktcap<=100
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and npr>0 and mktcap<=100', 'desc', 'price', 100)
Python代码参考
import tushare as ts
ts.set_token('your_token')
pro = ts.pro_api()
# 筛选好股票函数
def select_good_stocks():
# 反包策略
df1 = pro.daily(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,low,high,pre_close')
df1['ST'] = abs(df1['pre_close'] - df1['low'])
df1['BT'] = abs(df1['pre_close'] - df1['high'])
df1['RCT1'] = df1['ST'] / (df1['high'] - df1['low'])
df1['RCT2'] = df1['BT'] / (df1['high'] - df1['low'])
df1['RC'] = df1[['RCT1', 'RCT2']].min(axis=1)
# 无亏损企业筛选
df2 = pro.stock_basic(list_status='L', fields='ts_code,name,area,industry,list_date,mktcap')
df2 = df2[df2['mktcap'] <= 100]
good_stocks = []
for code in df2['ts_code']:
# 判断是否为无亏损企业
df3 = pro.income(ts_code=code, period='20191231', fields='end_date,npr')
if len(df3) > 0 and df3['npr'][0] > 0:
good_stocks.append(code)
# 合并数据
good_stocks = pd.merge(good_stocks, df1[['ts_code', 'RC']], on='ts_code', how='inner')
good_stocks = pd.merge(good_stocks, df2.iloc[:, :-1], on='ts_code', how='inner')
# 返回股票代码
good_stocks = good_stocks['ts_code'].reset_index(drop=True)
return good_stocks
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。
