问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、k小于20的企业中进行筛选。
选股逻辑分析
该选股策略主要考虑了股票的价格动态和技术分析指标，通过k线的变化情况进行选股。
有何风险？
同样忽略了企业基本面数据的因素，可能导致选出的股票质量参差不齐，存在较大的风险。而单纯的基于K线技术指标进行选股，也可能会在某些不确定因素的影响下，导致盈利的风险加大。
如何优化？
可以在选股条件上结合基本面数据进行筛选，并考虑其他技术分析指标（如均线、相对强弱指标等）。同时，可以对选股条件进行根据市场给出的走势进行动态调整，结合市场行情的变化进行相应的调整，以减小风险。还可以通过多因子模型等方法，综合考虑多种因素来进行选股。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、k小于20的企业中进行筛选。
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 k<=20
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and K<=20', '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')
# 计算指标
df1['ATR'] = talib.ATR(df1['high'].values, df1['low'].values, df1['close'].values, timeperiod=14)
df1['TR'] = abs(df1['high'] - df1['low'])
df1['ST'] = abs(df1['pre_close'] - df1['low'])
df1['BT'] = abs(df1['pre_close'] - df1['high'])
df1['RCT1'] = df1['ST'] / df1['TR']
df1['RCT2'] = df1['BT'] / df1['TR']
df1['RC'] = df1[['RCT1', 'RCT2']].min(axis=1)
# k线小于20
df1['slowk'], df1['slowd'] = talib.STOCH(df1['high'].values, df1['low'].values, df1['close'].values,
fastk_period=14, slowk_period=3, slowk_matype=0, slowd_period=3,
slowd_matype=0)
df1.fillna(0, inplace=True)
df1['k'] = df1['slowk']
# 合并数据
good_stocks = df1[(df1['RC'] > 0.85) & (df1['k'] <= 20) & (df1['turnover_rate'] >= 3)
& (df1['turnover_rate'] <= 12)]['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。
