问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包以及圆弧形技术指标中进行筛选。
选股逻辑分析
该选股策略同样结合了两种经典的技术分析指标，即换手率和反包。同时，加入圆弧形技术指标，分析股价波动中的支撑位和压力位，设定买入和卖出点位。在此基础上，可以更加准确的找到市场热点。
有何风险？
同样，该选股策略没有考虑公司的基本面数据对于股票价格的影响。同时，过度追求技术面的掌握，可能会过度获利而忽视风险规避。
如何优化？
可以参考其他技术分析指标，例如趋势线、K线图等指标，对于股票价格的趋势分析更加精准。同时，可以加入基本面指标，例如市盈率、市净率等指标，从多个角度分析股票价值。通过运用机器学习等方法优化模型参数，提高选股策略的准确性。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包以及圆弧形技术指标中进行筛选。
同花顺指标公式代码参考
选股条件：market_cap>=1 AND turnover_rate>=3 AND turnover_rate<=12 AND arc_trend>=90 AND arc_trend<=110
选股结果：fml('market_cap>=1 AND turnover_rate>=3 AND turnover_rate<=12 AND arc_trend>=90 AND arc_trend<=110', '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,open')
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)
# 圆弧形策略
df2 = pro.daily(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,low,high,close')
df2['MD'] = (df2['low'] + df2['high'] + df2['close']) / 3
df2['ARC_TREND'] = (df2['MD'] - df2['low']) / (df2['high'] - df2['low']) * 100
# 换手率3%-12%
df3 = pro.daily_basic(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,turnover_rate')
# 合并数据
good_stocks = pd.merge(df1[['ts_code', 'RC']], df2[['ts_code', 'ARC_TREND']], on='ts_code', how='inner')
good_stocks = pd.merge(good_stocks, df3.iloc[:, :-1], on='ts_code', how='inner')
# 深证主板中选股
good_stocks = good_stocks[good_stocks['exchange'] == 'SZSE']
good_stocks = good_stocks[good_stocks['list_status'] == 'L']
# 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。
