问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、KDJ（K）增长值的主板股票中选取。
选股逻辑分析
该选股策略采用换手率选股策略和反包指标，并将KDJ（K）增长值作为股票的筛选条件。根据换手率选股策略，选取具有一定交易量的主板股票；根据反包指标来判断股票是否具有反攻的可能；通过KDJ（K）增长值可以筛选出股票的强势趋势。在此基础上，选股策略综合了技术面和基本面因素，更全面地考虑了选股的质量和可靠性。
有何风险？
选股策略只关注股票的技术面和交易数据，并未考虑股票的基本面等其他因素，选出的股票质量不一定高，存在一定风险。
如何优化？
选股条件可以加入更多的指标，如市盈率、市净率、ROE、股息率等指标，以更全面地考虑选股的质量和可靠性。此外，可以考虑加入一些基本面和政策面的因素进行筛选。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、KDJ（K）增长值的主板股票中选取。
同花顺指标公式代码参考
选股条件：turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G") AND KDJ_JJ变化率>KDJ_KK变化率 ORDER BY TOF("市值") DESC
选股结果：fml('turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G") AND KDJ_JJ变化率>KDJ_KK变化率 ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate为股票换手率，STRFK表示反包指标，KDJ_JJ变化率和KDJ_KK变化率为KDJ指标中的J和K值的变化率。
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():
main_board = ['sh', 'sz']
# 换手率3%-12%
df1 = pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,turnover_rate')
df2 = pro.futures_sett_detail(trade_date='20220110',
fields='ts_code,trade_date,settle_price,position_chg')
df2['pos_chg_ratio'] = df2['position_chg'] / df2['position']
df2['date'] = pd.to_datetime(df2['trade_date'])
df2 = df2[df2['date'] == '2022-01-10']
df3 = pd.merge(df1, df2[['ts_code', 'pos_chg_ratio']], on='ts_code', how='inner')
# 反包策略
df4 = pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,low,high,pre_close')
df4['AT'] = df4['high'] - df4['low']
df4['ST'] = abs(df4['pre_close'] - df4['low'])
df4['BT'] = abs(df4['pre_close'] - df4['high'])
df4['RCT1'] = df4['ST'] / df4['AT']
df4['RCT2'] = df4['BT'] / df4['AT']
df4['RC'] = df4[['RCT1', 'RCT2']].min(axis=1)
df5 = df4[df4['trade_date'] == '20220110']
good_stocks = df5[df5['RC'] <= 0.2]['ts_code']
# KDJ（K）增长值
df6 = pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,high,low,close')
df7 = pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,turnover_rate')
df8 = pd.merge(df6, df7[['ts_code', 'turnover_rate']], on='ts_code', how='inner')
for stock in good_stocks:
df_stock = df8[df8['ts_code'] == stock].sort_values(by='trade_date', ascending=False)
if len(df_stock) < 4:
good_stocks.drop(stock, inplace=True)
continue
k_values = pd.DataFrame(columns=['date', 'k'])
for i, row in df_stock.iterrows():
if i == 0:
k_values = k_values.append(
{'date': row['trade_date'], 'k': 50}, ignore_index=True)
else:
high = row['high']
low = row['low']
close = row['close']
pre_high = df_stock.loc[i - 1, 'high']
pre_low = df_stock.loc[i - 1, 'low']
rsv = 100 * (close - low) / (high - low)
pre_k = k_values.loc[i - 1, 'k']
k = (2 / 3) * pre_k + (1 / 3) * rsv
k_values = k_values.append(
{'date': row['trade_date'], 'k': k}, ignore_index=True)
k_values['k_increase'] = k_values['k'].diff(periods=1)
if k_values['k_increase'].max() < 0:
good_stocks.drop(stock, inplace=True)
# 主板股票
good_stocks = good_stocks[good_stocks.str[:2].isin(main_board)]
# 整合数据
good_stocks = pd.merge(good_stocks.to_frame(), pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,open,high,low,close,vol,amount'),
on='ts_code', how='inner')
good_stocks = pd.merge(good_stocks, pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,close,pe,pb,total_mv,float_mv'),
on='ts_code', how='inner')
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。
