(supermind量化策略)换手率3%-12%、反包、北京A股除外

问财量化选股策略逻辑

选股逻辑为：在换手率3%-12%、反包、排除北京A股的企业中进行筛选。

选股逻辑分析

该选股策略强调了股票的流通性和价格动态，同时排除了北京A股企业，以免出现政策风险。筛选结果更具有一定的可靠性。

有何风险？

该选股策略忽略了企业基本面数据的因素，可能导致选出的股票质量参差不齐，存在较大的风险。

如何优化？

可以结合技术分析指标和基本面数据进行选股，建立综合的评价体系，筛选出质量更高的、风险更小的股票。同时，可以动态调整选股条件，结合市场行情的变化进行相应的调整。

最终的选股逻辑

选股条件为：在换手率3%-12%、反包、排除北京A股的企业中进行筛选。

同花顺指标公式代码参考

选股条件：turnover_rate>=3 AND turnover_rate<=12 AND rc_min3>=85 AND area!='北京市'
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and area!="北京市"', 'desc', 'price', 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='', trade_date='20220111',
                     fields='ts_code,trade_date,low,high,pre_close')
    df1['ST'] = abs(df1['pre_close'] - df1['low'])
    df1['BT'] = abs(df1['pre_close'] - df1['high'])
    df1['RCT1'] = df1['ST'] / (df1['high'] - df1['low'])
    df1['RCT2'] = df1['BT'] / (df1['high'] - df1['low'])
    df1['RC'] = df1[['RCT1', 'RCT2']].min(axis=1)

    # 北京A股排除
    df2 = pro.stock_basic(list_status='L', fields='ts_code,name,area,industry,list_date')
    df2 = df2[df2['area'] != '北京市']

    # 合并数据
    good_stocks = pd.merge(df2['ts_code'], df1[['ts_code', 'RC']], on='ts_code', how='inner')

    # 返回股票代码
    good_stocks = good_stocks['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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(supermind量化策略)换手率3%-12%、反包、北京A股除外_