问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、外盘/内盘大于1.3的主板股票中选择。
选股逻辑分析
该选股策略采用了反包指标以及外盘/内盘比例指标，对于资金流入较大且较稳定的主板股票进行选股。相对于仅仅采用技术指标选股的方法，该选股策略增加了资金流入等基本面因素的考虑，具有更完整性的选股系统。但是，该选股策略依然对股票基本面、政策面等更细节的分析不够充分，选股存在一定的风险。
有何风险？
该选股策略对于股票基本面、政策面等因素关注不够，选出的股票质量不一定高，具有一定风险。
如何优化？
可以在选股条件中加入更多的指标，比如市盈率、市净率、板块资金流向等基本面和筹码分布等量化指标，以更全面地考虑选股的质量和可靠性。此外，可以通过机器学习等方法进一步筛选合适的股票。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、外盘/内盘大于1.3的主板股票中选择。
同花顺指标公式代码参考
选股条件：turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G") AND WP/V>1.3 ORDER BY TOF("市值") DESC
选股结果：fml('turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G") AND WP/V>1.3 ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate表示股票换手率，STRFK表示反包指标，WP/V表示外盘/内盘比例。
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():
main_board = ['sh', 'sz']
# 换手率3%-12%
df1 = pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,turnover_rate')
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')
# 外盘/内盘比例
df4 = pro.moneyflow(ts_code='', trade_date='20220110',
fields='ts_code,buy_sm_vol, buy_md_vol, buy_lg_vol,\
sell_sm_vol, sell_md_vol, sell_lg_vol')
df5 = df4.assign(
sell_vol=df4['sell_sm_vol'] + df4['sell_md_vol'] + df4['sell_lg_vol'],
buy_vol=df4['buy_sm_vol'] + df4['buy_md_vol'] + df4['buy_lg_vol'],
)
df6 = df5[df5['buy_vol'] > df5['sell_vol'] * 1.3]
# 主板股票
df7 = df3[df3['ts_code'].str[:2].isin(main_board)]
# 整合数据
df8 = pd.merge(df6, df7[['ts_code', 'pos_chg_ratio']], on='ts_code', how='inner')
df9 = pd.merge(df8, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code', how='inner')
df10 = pd.merge(df9, pro.stock_basic(exchange='', list_status='L',
fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code', how='inner')
df10 = df10.round({'turnover_rate': 2, 'float_mv': 2})
return df10.sort_values(by='total_mv', ascending=False)
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。
