问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、昨日竞价换手率大于0.26的股票中选择。
选股逻辑分析
该选股逻辑在换手率和反包的基础上增加了昨日竞价换手率指标的筛选条件，为了进一步筛选出短期成交活跃的股票。
有何风险？
该选股策略仍然对市场情绪敏感，同时加入了昨日竞价换手率指标，可能会出现在短期成交活跃但长期价值不佳的股票被选中的情况。
如何优化？
为了更全面地考虑股票的价值，在选股时可结合基本面和技术面指标，同时也要考虑股票所处的行业和市场环境等因素，以帮助优化选股策略。
可以根据不同的市场环境和行业特点进行灵活调整。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、昨日竞价换手率大于0.26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 JBVOL > REF(JBVOL, 1) AND MIDDLE(rq_vol, 1, 0) ORDER BY CLOSE desc
选股结果：fml('(turnover_rate >= 3 AND turnover_rate <= 12) AND STRFK("88,A,B,C,D,E,F,G") AND JBVOL > REF(JBVOL, 1) AND MIDDLE(rq_vol, 1, 0) ORDER BY CLOSE desc', 80)
其中，turnover_rate表示股票换手率，STRFK表示反包指标，JBVOL表示昨日竞价换手率指标。
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')
# 反包
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')
# 昨日竞价换手率大于0.26
df4 = pro.moneyflow_hsgt(trade_date='20220107', fields='ts_code,buy_sm_vol,sell_sm_vol')
df4['date'] = pd.to_datetime(df4['trade_date'])
df4 = df4[df4['date'] == '2022-01-07']
df4['jb_vol'] = df4['buy_sm_vol'] + df4['sell_sm_vol']
df5 = pd.merge(df3, df4[['ts_code', 'jb_vol']], on='ts_code', how='inner')
df5['jb_vol_ratio'] = df5['jb_vol'] / df5['trade_date'].apply(lambda x: int(str(x)[:6]))
df6 = df5[df5['jb_vol_ratio'] > 0.26]
df7 = df6[['ts_code', 'turnover_rate', 'pos_chg_ratio']]
df8 = pd.merge(df7, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code',
how='inner')
df9 = pd.merge(df8, pro.stock_basic(exchange='', list_status='L',
fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code',
how='inner')
df9 = df9.round({'turnover_rate': 2, 'float_mv': 2})
return df9
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。
