(supermind量化策略)换手率3%-12%、反包、主升起动

问财量化选股策略逻辑

选股逻辑为：在换手率3%-12%、反包、主升起动的股票中选择。

选股逻辑分析

该选股逻辑选股条件加入了“主升起动”指标，即在满足换手率、反包筛选条件的基础上，重点关注股票在主升行情中是否表现优异。

有何风险？

该选股策略仍然对市场情绪敏感，同时加入了主升起动指标，可能会出现在主升行情中表现不佳的股票被选中的情况。

如何优化？

为了更全面地考虑股票的价值，在选股时可结合基本面和技术面指标，同时也要考虑股票所处的行业和市场环境等因素，以帮助优化选股策略。

最终的选股逻辑

选股条件为：在换手率3%-12%、反包、主升起动的股票中选择。

同花顺指标公式代码参考

选股条件：(close > MAAW) AND (TURNRATE >= 3 AND TURNRATE <= 12) AND STRFK("88,A,B,C,D,E,F,G") AND FLOCK("gbat0001") ORDER BY CLOSE desc 
选股结果：fml('(close > MAAW) AND (TURNRATE >= 3 AND TURNRATE <= 12) AND STRFK("88,A,B,C,D,E,F,G") AND FLOCK("gbat0001") ORDER BY CLOSE desc ', 80)

其中，close表示股票收盘价，MAAW表示股票的均线。TURNRATE表示股票的换手率，STRFK表示主升起动指标，FLOCK表示股票处于一定的涨停板数量。

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')

    # 反包
    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')

    # 主升起动
    df4 = pro.stock_basic(exchange='', list_status='L',
                           fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
    trade_days = pro.trade_cal(exchange='', start_date='20220107', end_date='20220110')[pro.trade_cal.is_open == 1][
        'cal_date'].tolist()
    df5 = pd.DataFrame()
    for trade_day in trade_days:
        df = pro.daily(ts_code='', start_date=trade_day, end_date=trade_day, fields='ts_code,trade_date,high,low,close')
        maaw = df['close'].rolling(5).mean()
        df = df[(df['close'] > maaw)]
        df5 = pd.concat([df5, df])
    df5['pos_chg_ratio'] = df5['close'] / df5['close'].shift(1) - 1
    df6 = df5.groupby('ts_code')['pos_chg_ratio'].apply(
        lambda x: 'UP' if (x > 0).all() and len(x) > 1 else 'DOWM').reset_index()
    df7 = pd.merge(df4, df6, on='ts_code', how='inner')

    df8 = pd.merge(df7, df3[['ts_code']], on='ts_code', how='inner')
    df9 = df8[(df8['turnover_rate'] > 3) & (df8['turnover_rate'] < 12) &
              (df8['pos_chg_ratio'] == 'UP')].sort_values(by='turnover_rate', ascending=False)
    df9 = df9.round({'turnover_rate': 2, 'float_mv': 2})
    return df9

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、主升起动_