(supermind量化策略)换手率3%-12%、反包、按个股热度从大到小排序名_

用户头像神盾局量子研究部
2023-08-30 发布

问财量化选股策略逻辑

选股逻辑为:在换手率3%-12%、反包、按个股热度从大到小排序名的股票中进行筛选。

选股逻辑分析

该选股策略综合考虑了股票的交易量、价格、市盈率等因素,并加入了反包策略和按个股热度排序,寻找有一定成长性和市场关注度的股票。

有何风险?

该选股策略依赖于个股的热度指标,热度指标的状态可能随时变化。同时,该选股策略忽略了其它重要的基本面指标如市净率、盈利增长等,可能会选出潜力较小的股票。

如何优化?

可以结合过去的财报信息和预测数据,加入更多的基本面指标和成长数据等,并对个股热度指标的选择进行优化和调整。

最终的选股逻辑

选股条件为:在换手率3%-12%、反包、按个股热度从大到小排序的股票中进行筛选。

同花顺指标公式代码参考

选股条件:turnover_rate>=3 AND turnover_rate<=12 AND
            (RC <= 0.2)
选股结果:fml('turnover_rate>=3 AND turnover_rate<=12 AND
              (RC <= 0.2)', 'desc', 'hot', 100)

Python代码参考

import tushare as ts
import pandas as pd
import numpy as np

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')
    df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]

    # 反包策略
    df2 = pro.daily(ts_code='', trade_date='20220110',
                     fields='ts_code,trade_date,low,high,pre_close')
    df2['AT'] = df2['high'] - df2['low']
    df2['ST'] = abs(df2['pre_close'] - df2['low'])
    df2['BT'] = abs(df2['pre_close'] - df2['high'])
    df2['RCT1'] = df2['ST'] / df2['AT']
    df2['RCT2'] = df2['BT'] / df2['AT']
    df2['RC'] = df2[['RCT1', 'RCT2']].min(axis=1)
    df3 = df2[df2['trade_date'] == '20220110']
    good_stocks = df3[df3['RC'] <= 0.2]['ts_code']

    # 按个股热度排序
    hot_stocks = ts.top_list('2019-01-01')
    hot_stocks = hot_stocks.sort_values(by=['q_date', 'amount'], ascending=[False, False])
    good_stocks = pd.merge(good_stocks.to_frame(),
                           hot_stocks[['ts_code', 'amount']].reset_index(drop=True),
                           on='ts_code', how='inner')
    good_stocks = good_stocks.sort_values(by=['amount'], ascending=False)[:100]['ts_code']

    # PE>0
    good_stocks = pd.merge(good_stocks.to_frame(),
                           ts.get_stock_basics()[['pe']].reset_index(),
                           on='ts_code', how='inner')
    good_stocks = good_stocks[good_stocks['pe'] > 0]['ts_code']

    # 剔除ST股
    good_stocks = pd.merge(good_stocks.to_frame(),
                           pro.stock_basic(list_status='L',
                                            exchange='', fields='ts_code'),
                           on='ts_code', how='inner')

    return good_stocks.reset_index(drop=True)

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)
收益&风险
源码

评论