问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、今日增仓占比大于5%的股票中选择。
选股逻辑分析
该选股逻辑主要关注股票的成交量和市场情绪，通过筛选换手率、反包、增仓比例，选出具有投资价值的股票。
有何风险？
该选股策略对市场情绪敏感，可能会受到市场行情的影响而出现误判，同时也可能会错过一些长期投资价值的股票。
如何优化？
为了更全面地考虑股票的价值，可以结合基本面和技术面指标，同时也可以参考专业机构的研究报告，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、今日增仓占比大于5%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 (CONCEPT("反包") AND INCREASE > 5) ORDER BY INCREASE DESC
选股结果：fml('(close > MAAW) AND (TURNRATE >= 3 AND TURNRATE <= 12) AND (CONCEPT("反包") AND INCREASE > 5) ORDER BY INCREASE 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。INCREASE表示股票的今日增仓占比。
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')
# 反包和今日增仓占比大于5%
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')
df4 = pro.concept_detail(id='TS220202', fields='ts_code,name')
df5 = pd.merge(df3, df4[['ts_code']], on='ts_code', how='inner')
df6 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df6 = df6[(df6['float_mv'] < 100000) & (df6['industry'] != '')]
trade_days = pro.trade_cal(exchange='', start_date='20220107', end_date='20220110')[pro.trade_cal.is_open == 1]['cal_date'].tolist()
df7 = 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)]
df7 = pd.concat([df7, df])
df7 = df7[df7['trade_date'] == '2022-01-07']
df7 = df7[['ts_code', 'close']]
df8 = pd.merge(df6, df5[['ts_code', 'pos_chg_ratio']], on='ts_code', how='inner')
df9 = pd.merge(df8, df7[['ts_code']], on='ts_code', how='inner')
df9 = df9[(df9['turnover_rate'] > 3) & (df9['turnover_rate'] < 12) & (df9['pos_chg_ratio'] > 0.05)]
df9 = df9.round({'turnover_rate': 2, 'float_mv': 2})
df9 = df9.sort_values(by='pos_chg_ratio', ascending=False)
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。
