问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、涨跌幅×超大单净量的主板股票中选择。
选股逻辑分析
该选股策略采用了反包指标以及技术指标中的涨跌幅和超大单净量指标，对于具有较强上涨趋势且资金流入较大的主板股票进行选股。相对于仅仅采用技术指标选股的方法，该选股策略增加了资金流入等基本面因素的考虑，具有更完整性的选股系统。但是，该选股策略依然对股票基本面、政策面等更细节的分析不够充分，选股存在一定的风险。
有何风险？
该选股策略对于股票基本面、政策面等因素关注不够，选出的股票质量不一定高，具有一定风险。
如何优化？
可以在选股条件中加入更多的指标，比如市盈率、市净率、板块资金流向等基本面和筹码分布等量化指标，以更全面地考虑选股的质量和可靠性。此外，可以通过机器学习等方法进一步筛选合适的股票。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、涨跌幅×超大单净量的主板股票中选择。
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 C/REF(C, 1)>1.02 AND V/MYMA(V, 20)>=1.5*V/MYMA(V, 60) 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 C/REF(C, 1)>1.02 AND V/MYMA(V, 20)>=1.5*V/MYMA(V, 60) ORDER BY TOF("市值") DESC', 80)
其中，turnover_rate表示股票换手率，STRFK表示反包指标，C/REF(C, 1)>1.02表示涨跌幅大于2%的选股条件，V/MYMA(V, 20)>=1.5*V/MYMA(V, 60)表示超大单净量指标。
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')
# 涨跌幅
df4 = pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,close,pre_close')
df4['pct_chg'] = (df4['close'] - df4['pre_close']) / df4['pre_close'] * 100
df5 = df4[df4['pct_chg'] > 2]
# 超大单净量
df6 = pro.moneyflow(ts_code='', trade_date='20220110',
fields='ts_code,buy_lg_vol,sell_lg_vol')
df7 = df6.groupby('ts_code').agg(
{'buy_lg_vol': 'sum', 'sell_lg_vol': 'sum'}).reset_index()
df8 = pd.merge(df5, df7[df7['buy_lg_vol'] > df7['sell_lg_vol']], on='ts_code', how='inner')
# 主板股票
df9 = df3[df3['ts_code'].str[:2].isin(main_board)]
# 整合数据
df10 = pd.merge(df8, df9[['ts_code', 'pos_chg_ratio']], on='ts_code', how='inner')
df11 = pd.merge(df10, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code', how='inner')
df12 = pd.merge(df11, pro.stock_basic(exchange='', list_status='L',
fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code', how='inner')
df12 = df12.round({'turnover_rate': 2, 'float_mv': 2})
return df12.sort_values(by='total_mv', ascending=False)
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。
