问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、今日控盘＞21%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热度和价格动态，通过今日控盘和换手率的变化情况进行选股。其中控盘率是指当日收盘价高于当日开盘价时，今日成交量占当日总成交量的比率，可以反映当前市场的投资热度。通过该策略选股，能较好地过滤掉不活跃的股票，实现盈利。
有何风险？
该选股策略过度强调了热度和价格动态，忽略了企业基本面数据的影响，可能导致选出的股票质量不稳定，存在一定的风险。而且该策略只考虑了当天的数据变化，可能忽略了较长期的市场趋势，存在市场风险。
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，可以对选股条件根据市场情况进行动态调整，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、今日控盘＞21%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 today_con>=21 AND KDJ_K>=KDJ_D AND MACD>1
选股结果：fml('(turnover_rate>=3 and turnover_rate<=12 and today_con>=21 and KDJ_K>=KDJ_D and MACD>1)', 'desc', 'pe_ttm', 100)
Python代码参考
import tushare as ts
import talib
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='', start_date='20210101', end_date='20220131',
fields='ts_code,trade_date,pre_close,open,high,low,close,vol,amount')
# 计算指标
df1['K'], df1['D'] = talib.STOCH(df1['high'].values, df1['low'].values, df1['close'].values,
fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
df1['DIF'], df1['DEA'], df1['MACD'] = talib.MACD(df1['close'].values, fastperiod=12, slowperiod=26,
signalperiod=9)
today_con = df1['vol'][0] / df1['vol'].sum() * 100
good_stocks = df1[(df1['K'] > df1['D']) & (df1['MACD'] > 1)
& (df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)
& (today_con > 21)
]['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。
