问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、2021年的股票中进行筛选。
选股逻辑分析
该选股策略引入了2019年的时间限制，旨在对历史表现较好的个股进行筛选。同时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会导致结果过于狭窄，选出的个股不能具有一定的代表性。
如何优化？
除了上述风险问题，也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。同时，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、2021年的股票中进行筛选。
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 year(trade_date)=2021
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and year(trade_date)=2021', '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)
# 2021年交易日期
df2 = pro.trade_cal(exchange='', start_date='20210101',
end_date='20211231', fields='cal_date')
# 合并数据
good_stocks = pd.merge(df1[['ts_code', 'RC']], df2, on='trade_date', how='inner')
good_stocks = pd.merge(good_stocks, df3.iloc[:, :-1], on='ts_code', how='inner')
# 深证主板中选股
good_stocks = good_stocks[good_stocks['exchange'] == 'SZSE']
good_stocks = good_stocks[good_stocks['list_status'] == 'L']
# 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。
