问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、涨幅<2.6且涨幅>-5的主板股票中选取。
选股逻辑分析
该选股策略同样采用换手率选股策略和反包指标，但增加了涨幅的条件，筛选出涨幅适中的股票。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弹的可能，即股票价格回调后有望反弹；同时通过涨幅进一步筛选出具有一定涨幅但波动性适中的股票。在此基础上，选股策略综合了技术面和交易数据因素，更全面地考虑了选股的质量和可靠性。
有何风险？
该选股策略同样只关注股票的技术面和交易数据，并未考虑股票的基本面等其他因素，选出的股票质量不一定高，存在一定风险。此外，涨幅的条件只有简单的涨跌幅限制，并未考虑个股的特殊情况，如可能存在短线大涨的股票选出，对于长期持有可能不够适宜。
如何优化？
该选股条件可以进一步考虑加入股票的基本面因素，如市盈率、市净率、ROE等指标，以更全面地考虑选股的质量和可靠性。同时可以考虑加入技术面因素，如均线等指标进行综合分析。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、涨幅<2.6且涨幅>-5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 (close/prev_close-1)*100<2.6 and (close/prev_close-1)*100>-5 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
(close/prev_close-1)*100<2.6 and (close/prev_close-1)*100>-5 ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate为股票换手率，STRFK表示反包指标。
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():
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']
# 涨幅
df6 = pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,open,close,pre_close')
df6['pct_chg'] = (df6['close'] / df6['pre_close'] - 1) * 100
df7 = df6[df6['trade_date'] == '20220110'][['ts_code', 'pct_chg']]
good_stocks = pd.merge(good_stocks.to_frame(), df7,
on='ts_code', how='inner')
good_stocks = good_stocks[good_stocks['pct_chg'] < 2.6]
good_stocks = good_stocks[good_stocks['pct_chg'] > -5]
# 主板股票
good_stocks = good_stocks[good_stocks.str[:2].isin(main_board)]
# 加入其他指标
good_stocks = pd.merge(good_stocks.to_frame(), 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。
