问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、振幅大于1的股票中选择。
选股逻辑分析
该选股逻辑主要关注股票价格的变化情况，包括反包和振幅。反包是一种价格的反转信号，可以捕捉到股价的中期或长期趋势，而振幅则反映了股票价格的波动，可以捕捉到短期趋势。同时，选择了换手率3%-12%的股票，以保证股票的流动性和活跃程度。
有何风险？
该选股策略较为单一，缺少更多的财务指标和行业分析，也未考虑基本面因素。同时，选股条件较为严格，可能会出现选不出符合条件的股票的情况。
如何优化？
可以考虑加入更多的财务指标和行业分析，以综合考虑股票的基本面和走势情况。同时，可以适当调整选股条件，以达到更好的效果。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、振幅大于1的股票中选择。
同花顺指标公式代码参考
选股条件：(wave >= 1) AND (close <= MAAW && close > REF(MAAW, 1)) AND (TURNRATE >= 3 AND TURNRATE <= 12) ORDER BY close ASC
选股结果：fml('((wave >= 1) AND (close <= MAAW AND close > REF(MAAW, 1))) AND (TURNRATE >= 3 AND TURNRATE <= 12) ORDER BY close ASC', 80)
其中，wave表示股票的振幅，close表示股票收盘价，MAAW表示股票的均线。TURNRATE表示股票的换手率。
Python代码参考
import tushare as ts
import pandas as pd
ts.set_token('your_token')
pro = ts.pro_api()
# 振幅指标函数
def wave(df, p):
df['max'] = df['high'].rolling(p).max()
df['min'] = df['low'].rolling(p).min()
df['wave'] = (df['max'] - df['min']) / df['min']
return df[['trade_date', 'wave']]
# 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')
# 反包和振幅大于1
trade_days = pro.trade_cal(exchange='', start_date='20220107', end_date='20220110')[pro.trade_cal.is_open == 1]['cal_date'].tolist()
df2 = pd.DataFrame()
for trade_day in trade_days:
df = pro.daily(ts_code='', start_date=trade_day, end_date=trade_day, fields='ts_code,trade_date,high,low,close')
df = wave(df, 5)
df2 = pd.concat([df2, df])
df2 = df2[(df2['close'] <= df2['MAAW']) & (df2['close'] > df2['MAAW'].shift(1)) & (df2['wave'] > 0.01)]
df2 = df2[df2['trade_date'] == '2022-01-07']
df2 = df2[['ts_code']]
df3 = pd.merge(df1, df2[['ts_code']], on='ts_code', how='inner')
df4 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df4 = df4[df4['float_mv'] < 100000]
df5 = pd.merge(df4, df3[['ts_code']], on='ts_code', how='inner')
df6 = df5[(df5['turnover_rate'] > 3) & (df5['turnover_rate'] < 12)]
df6 = df6.round({'turnover_rate': 2, 'float_mv': 2})
df6 = df6.sort_values(by='close', ascending=True)
return df6
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。
