(supermind量化策略)换手率3%-12%、反包、500日内至少2次涨停_

用户头像神盾局量子研究部
2023-08-30 发布

问财量化选股策略逻辑

选股逻辑为:在换手率3%-12%、反包、500日内至少2次涨停的股票中进行筛选。

选股逻辑分析

该选股策略综合考虑了股票的交易量、价格、趋势、市场情绪等因素,寻找在一定时间内有较好表现的股票。

有何风险?

该选股策略忽略了一些基本面指标如市值、盈利等,可能会选出潜力较小的个股。同时,涨停次数的指标容易被大股东等利益相关方操纵,需要加以注意。

如何优化?

可以加入更多的基本面指标、技术指标和量价指标等,同时需要筛选出涨停次数合理的股票,以确保选出的股票具有更好的表现。

最终的选股逻辑

选股条件为:在换手率3%-12%、反包、500日内至少2次涨停的股票中进行筛选。

同花顺指标公式代码参考

选股条件:turnover_rate>=3 AND turnover_rate<=12 AND
            (YYT(1, 12) = 2 AND YYT(1, 24) = 2 AND YYT(1, 48) = 2)
            AND (ZT('+n', [0, 500]) >= 2)
选股结果:fml('turnover_rate>=3 AND turnover_rate<=12 AND
              (YYT(1, 12) = 2 AND YYT(1, 24) = 2 AND YYT(1, 48) = 2)
              AND (ZT("+n", [0, 500]) >= 2)', 80)

Python代码参考

import tushare as ts
import pandas as pd

ts.set_token('your_token')
pro = ts.pro_api()

# 筛选好股票函数
def select_good_stocks():
    # 换手率3%-12%
    df1 = pro.daily_basic(ts_code='', trade_date='20220110',
                           fields='ts_code,trade_date,turnover_rate')
    df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]

    # 反包策略
    df2 = pro.daily(ts_code='', trade_date='20220110',
                     fields='ts_code,trade_date,low,high,pre_close')
    df2['AT'] = df2['high'] - df2['low']
    df2['ST'] = abs(df2['pre_close'] - df2['low'])
    df2['BT'] = abs(df2['pre_close'] - df2['high'])
    df2['RCT1'] = df2['ST'] / df2['AT']
    df2['RCT2'] = df2['BT'] / df2['AT']
    df2['RC'] = df2[['RCT1', 'RCT2']].min(axis=1)
    df3 = df2[df2['trade_date'] == '20220110']
    good_stocks = df3[df3['RC'] <= 0.2]['ts_code']

    # 加入其它指标
    good_stocks = pd.merge(good_stocks.to_frame(),
                           pro.daily(ts_code=good_stocks.to_string(index=False),
                                     start_date='20200709', end_date='20220110',
                                     fields='ts_code,tradedate,pct_chg'),
                           on='ts_code', how='inner')
    good_stocks['ZT'] = good_stocks['pct_chg'].apply(lambda x: 1 if x > 9.8 else 0)
    good_stocks['ZT'] = good_stocks.groupby('ts_code')['ZT'].apply(lambda x: x.rolling(500).sum())

    # 涨停次数
    good_stocks = good_stocks[good_stocks['ZT'] >= 2][['ts_code']]

    # 剔除ST股
    good_stocks = pd.merge(good_stocks, pro.stock_basic(list_status='L',
                                                        exchange='', fields='ts_code'),
                           on='ts_code', how='inner')

    return good_stocks.reset_index(drop=True)

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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论

需要帮助?

试试AI小助手吧