(supermind量化策略)换手率3%-12%、反包、60开头的股票

问财量化选股策略逻辑

选股逻辑为：在换手率3%-12%、反包、60开头的股票中进行筛选。

选股逻辑分析

该选股策略引入了股票代码的限制，筛选60开头的个股，可能是因为对于这些个股的市场表现更有信心。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？

该选股策略同样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？

同样，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、60开头的股票中进行筛选。

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 LEFT(ts_code, 2)='60'
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and LEFT(ts_code, 2)="60"', '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)

    # 股票代码开头为60的
    df2 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name')
    good_stocks = df2[df2['ts_code'].str.startswith('60')]['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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(supermind量化策略)换手率3%-12%、反包、60开头的股票_