问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包的前提下，筛选今日最低价小于昨日最低价的个股。
选股逻辑分析
该选股策略主要考虑了个股短期内的下跌表现，通过在换手率3%-12%、反包的前提下，筛选今日最低价小于昨日最低价的个股，可以挖掘出暂时处于低迷状态但有望出现反弹的超跌个股，从而能够抓住一定的反弹机会。
有何风险？
该选股策略过于关注短期走势，并且过于依赖单个特定指标的表现，可能会忽略企业的基本面，存在选择股票时偏见的风险。同时，选出来的个股可能存在不确定性较高的行情波动，需要投资者接受一定的风险，同时也需要更短期而有效的入市和离市决策，否则容易产生亏损。
如何优化？
可以在选股条件上加入其他因素进行筛选，如市盈率、市净率等因素，从多个角度考虑企业的价值，综合性能做出选择。同时，也可以结合其他技术分析指标（如均线、相对强弱指标等）来辅助股票分析，从而降低风险。同时，也可以结合长线投资理念，避免把过多的关注点放在短期波动上，并通过分散化投资降低风险和增加长线收益。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包的前提下，筛选今日最低价小于昨日最低价的个股。
同花顺指标公式代码参考
选股条件：CIRC5<=1 AND LOW<REF(LOW,1)
选股结果：fml('(CIRC5<=1 AND LOW<REF(LOW,1))', 'desc', 'pe_ttm', 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='', start_date='20210101', end_date='20220131',
fields='ts_code,trade_date,pre_close,open,high,low,close,vol,amount')
# 计算指标
df1['circ_mv'] = pro.daily_basic(ts_code='', trade_date='20220131', fields='ts_code,circ_mv')['circ_mv']
df1['circ_mv'] = df1['circ_mv'] / 100000000
df1['CIRC5'] = (df1['circ_mv'] > df1['circ_mv'].quantile(0.95)).astype(int)
df1['LOW'] = (df1['low'] < df1['low'].shift(1))
# 筛选
good_stocks = df1[(df1['CIRC5'] <= 1) & (df1['LOW'])]['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。
