问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、机器人概念且流通市值小于100亿的企业中进行筛选。
选股逻辑分析
该选股策略主要考虑了股票的流通性和价格动态，同时结合了机器人概念和企业规模等因素进行选股，更具有一定的实际应用价值。
有何风险？
同样忽略了企业基本面数据的因素，可能导致选出的股票质量参差不齐，存在较大的风险。
如何优化？
可以在选股条件上结合基本面数据和技术分析指标，建立更加综合的评价体系。考虑行业趋势、盈利能力、估值等指标，以及相对强度指标、均线等技术分析指标，同时可以动态调整选股条件，结合市场行情的变化进行相应的调整，以减小风险。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、机器人概念且流通市值小于100亿的企业中进行筛选。
同花顺指标公式代码参考
选股条件：turnover_rate>=3 AND turnover_rate<=12 AND rc_min3>=85 AND circ_mv<=100 AND GZ_industry="机器人"
选股结果：fml('turnover_rate>=3 and turnover_rate<=12 and rc_max3>=85 and circ_mv<=100 and GZ_industry=="机器人"', 'desc', 'price', 100)
Python代码参考
import tushare as ts
ts.set_token('your_token')
pro = ts.pro_api()
# 筛选好股票函数
def select_good_stocks():
# 反包策略
df1 = pro.daily(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,low,high,pre_close')
df1['ST'] = abs(df1['pre_close'] - df1['low'])
df1['BT'] = abs(df1['pre_close'] - df1['high'])
df1['RCT1'] = df1['ST'] / (df1['high'] - df1['low'])
df1['RCT2'] = df1['BT'] / (df1['high'] - df1['low'])
df1['RC'] = df1[['RCT1', 'RCT2']].min(axis=1)
# 机器人概念且流通市值小于100亿
df2 = pro.concept(src='ts', id='TS62')
df3 = pro.daily_basic(ts_code='', trade_date='20210115',
fields='ts_code,circ_mv,close')
df3 = df3[df3['circ_mv'] <= 10000000000]
good_stocks = pd.merge(df2[['ts_code']], df3[['ts_code', 'circ_mv']], on='ts_code', how='inner')
# 合并数据
good_stocks = pd.merge(good_stocks, df1[['ts_code', 'RC']], on='ts_code', how='inner')
# 返回股票代码
good_stocks = good_stocks['ts_code'].reset_index(drop=True)
return good_stocks
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。
