问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、三连阴的股票中选择。
选股逻辑分析
该选股策略结合了反包指标和换手率指标以及技术分析指标，通过选择连续下跌的股票，寻找短期的机会。但该策略仍然忽略了股票基本面的影响，容易选出泡沫股或遗漏优质股票。并且，单一技术分析指标并不稳定，有时候会出现假跌等情况，可能会误判。
有何风险？
因为该选股策略忽略了股票基本面的影响，仅基于历史价格和技术指标判断买卖点，容易无法识别泡沫股或遗漏优质股票，造成不利影响。
如何优化？
在选股条件的制定方面，可以将技术指标与基本面指标共同结合考虑，如MACD指标、RSI指标、市盈率、净利润、行业趋势等指标，进行筛选，减少误判。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、三连阴的股票中选择。
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 Ref(CLOSE,1)<Ref(CLOSE,2) AND Ref(CLOSE,2)<Ref(CLOSE,3) AND Ref(CLOSE,3)<CLOSE 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 Ref(CLOSE,1)<Ref(CLOSE,2) AND Ref(CLOSE,2)<Ref(CLOSE,3) AND Ref(CLOSE,3)<CLOSE ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate表示股票换手率，STRFK表示反包指标，CLOSE表示收盘价。
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')
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')
# 买卖盘指标
df4 = pro.moneyflow(ts_code='', trade_date='20220110',
fields='ts_code,buy_sm_vol,sell_sm_vol')
df5 = df4.groupby('ts_code').agg(
{'buy_sm_vol': 'sum', 'sell_sm_vol': 'sum'}).reset_index()
df6 = pd.merge(df3, df5[df5['buy_sm_vol'] > df5['sell_sm_vol']], on='ts_code', how='inner')
# 三连阴判断
df7 = pro.daily(ts_code='', start_date='20220107',
end_date='20220110', fields='ts_code,trade_date,close')
df8 = pd.pivot_table(df7, index='ts_code', values='close', columns='trade_date')
df9 = ((df8.iloc[:, 2] < df8.iloc[:, 1]) & (df8.iloc[:, 1] < df8.iloc[:, 0]))
df10 = df9[df9].reset_index()
# 整合数据
df11 = pd.merge(df6, df10[['ts_code']], on='ts_code', how='inner')
df12 = pd.merge(df11, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code', how='inner')
df13 = pd.merge(df12, pro.stock_basic(exchange='', list_status='L',
fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code',
how='inner')
df13 = df13.round({'turnover_rate': 2, 'float_mv': 2})
return df13.sort_values(by='total_mv', ascending=False)
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。
