问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、流通市值50-100亿的主板股票中选取。
选股逻辑分析
该选股策略采用换手率选股策略和反包指标，并将流通市值作为股票的筛选条件。根据换手率选股策略，选取具有一定交易量的主板股票；根据反包指标来判断股票是否具有反攻的可能。在此基础上，通过流通市值的筛选条件进一步筛选具有良好成长性和基本面质量的公司。选股策略综合了技术面和基本面因素，更全面地考虑了选股的质量和可靠性。
有何风险？
选股策略对于股票的基本面和政策面等因素关注不够，选出的股票质量不一定高，存在一定风险。
如何优化？
选股条件可以加入更多的指标，如市盈率、市净率、ROE、股息率等指标，以更全面地考虑选股的质量和可靠性。此外，可以考虑加入一些基本面和政策面的因素进行筛选。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、流通市值50-100亿的主板股票中选取。
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 float_mv>=50 AND float_mv<=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 float_mv>=50 AND float_mv<=100 ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate为股票换手率，STRFK表示反包指标，float_mv表示股票的流通市值。
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():
main_board = ['sh', 'sz']
# 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')
# 反包策略
df4 = pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,low,high,pre_close')
df4['AT'] = df4['high'] - df4['low']
df4['ST'] = abs(df4['pre_close'] - df4['low'])
df4['BT'] = abs(df4['pre_close'] - df4['high'])
df4['RCT1'] = df4['ST'] / df4['AT']
df4['RCT2'] = df4['BT'] / df4['AT']
df4['RC'] = df4[['RCT1', 'RCT2']].min(axis=1)
df5 = df4[df4['trade_date'] == '20220110']
good_stocks = df5[df5['RC'] <= 0.2]['ts_code']
# 流通市值50-100亿
df6 = pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,float_mv')
good_stocks = good_stocks[good_stocks.isin(df6[df6['float_mv'] >= 50][df6['float_mv'] <= 100]['ts_code'])]
# 主板股票
good_stocks = good_stocks[good_stocks.str[:2].isin(main_board)]
# 整合数据
good_stocks = pd.merge(good_stocks.to_frame(), pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,open,high,low,close,vol,amount'),
on='ts_code', how='inner')
good_stocks = pd.merge(good_stocks, pro.daily_basic(ts_code='', trade_date='20220110',
fields='ts_code,close,pe,pb,total_mv,float_mv'),
on='ts_code', how='inner')
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。
