问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、归属母公司股东的净利润(同比增长率)大于20%小于等于100%的股票中选择。
选股逻辑分析
该选股策略结合了反包指标、换手率指标以及股票基本面指标中的净利润增长率指标，对于相对具有股票基本面优势的股票进行筛选。相对于仅仅采用技术指标选股的方法，该选股策略更具有合理性和较强的可操作性。但需要注意的是，该选股策略仍然会忽略其他股票基本面指标的影响，选股依然存在一定的风险。
有何风险？
由于该选股策略仍然忽略了其他的股票基本面指标的影响，仅仅依靠同比增长率进行股票筛选，容易出现主观偏差和部分误判，可能会选出一些短期内净利润有大幅增长但存在潜在风险的股票。
如何优化？
在指标的选择上可以综合考虑多个基本面指标，在进行选股时根据实际情况切入不同的板块和行业。同时，将其他指标加入到选股条件中，如价格动量等技术指标，进一步减少误判的可能性。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、归属母公司股东的净利润(同比增长率)大于20%小于等于100%的股票中选择。
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 IFNULL(net_profit_parent_company_atsopc_yoy,0)>20 AND IFNULL(net_profit_parent_company_atsopc_yoy,0)<=100 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 IFNULL(net_profit_parent_company_atsopc_yoy,0)>20 AND IFNULL(net_profit_parent_company_atsopc_yoy,0)<=100 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，net_profit_parent_company_atsopc_yoy表示归属母公司股东的净利润同比增长率。
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():
# 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')
# 净利润增长率
df4 = pro.financial_indicator(ts_code='', start_date='20220110', end_date='20220110',
fields='ts_code,end_date,net_profit_parent_company_atsopc_yoy')
df5 = df4[df4['end_date'] == '20211231'].reset_index(drop=True)
df6 = df5[df5['net_profit_parent_company_atsopc_yoy'] > 20]
df7 = df6[df6['net_profit_parent_company_atsopc_yoy'] <= 100]
# 买卖盘指标
df8 = pro.moneyflow(ts_code='', trade_date='20220110',
fields='ts_code,buy_sm_vol,sell_sm_vol')
df9 = df8.groupby('ts_code').agg(
{'buy_sm_vol': 'sum', 'sell_sm_vol': 'sum'}).reset_index()
df10 = pd.merge(df3, df9[df9['buy_sm_vol'] > df9['sell_sm_vol']], on='ts_code', how='inner')
# 整合数据
df11 = pd.merge(df10, df7[['ts_code']], on='ts_code', how='inner')
df12 = pd.merge(df11, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code', how='inner')
df13 = pd.merge(df12, pro.stock_basic(exchange='', list_status='L',
fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code',
how='inner')
df13 = df13.round({'turnover_rate': 2, 'float_mv': 2})
return df13.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。
