问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、10日涨幅大于0小于35的股票中进行筛选。
选股逻辑分析
该选股策略引入了股票的涨幅情况，可以更好地判断股票的潜力。结合了换手率和反包指标，可以更加精准地选取有潜力的股票。
有何风险？
同样，该选股策略也没有考虑股票公司的基本面数据对于股票价格的影响。同时，选股条件过于严格可能导致结果的范围过于狭窄，选出的个股不能具有一定的代表性。
如何优化？
可以参考其他技术分析指标，例如MACD、BOLL等指标，对于股票趋势的分析更加精准。可以加入基本面指标，例如市盈率、市净率等指标，从多个角度分析股票价值。选股条件需要适当放宽，扩大选出的个股范围。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、10日涨幅大于0小于35的股票中进行筛选。
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 change_rate_10>=0 AND change_rate_10<35
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and \
change_rate_10>=0 and change_rate_10<35', '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)
# 10日涨幅大于0小于35的股票
df2 = pro.daily_basic(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,change_rate')
good_stocks = df2[(df2['change_rate'] > 0) & (df2['change_rate'] < 35)]['ts_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, df3.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。
