问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包的前提下，竞价时涨跌幅买入大单和特大单共计买入量大于0.7千万的股票。
选股逻辑分析
该选股策略尝试从大单和特大单的买入情况中挖掘出热点板块和股票，从而判断市场情绪，捕捉市场机遇。这种选股策略同样参考了换手率和反包的因素，但是更加注重市场热点的变化和大单资金的流入情况。
有何风险？
该选股策略可能会过于追求短期的市场表现，导致选择的股票不够稳健。同时，大单和特大单资金的涌入也可能受到市场各种干扰因素的影响，例如市场情绪、政策变动等，从而导致选股结果不够准确。
如何优化？
可以在选股策略中加入基本面因素的判断，例如市盈率、市净率、股息率等，从而筛选出估值低、盈利稳健的标的股票。同时，可以加入其他的技术指标和市场数据来综合判断市场的趋势和表现，以更加准确地判断股票的涨跌趋势。
最终的选股逻辑
在换手率3%-12%、反包的前提下，竞价时涨跌幅买入大单和特大单共计买入量大于0.7千万的股票。
同花顺指标公式代码参考
选股条件：SETPRICETYPE(1);CTOPRICE > CBOTTOMPRICE AND ABSC(NUMTODAY, NUMYEST) / CBOTTOMPRICE > 0.03 AND LLV(AMOUNT, 5) < SUM(AMOUNT, 20) * 0.7
选股结果：fml('SETPRICETYPE(1);CTOPRICE > CBOTTOMPRICE AND ABSC(NUMTODAY, NUMYEST) / CBOTTOMPRICE > 0.03 AND LLV(AMOUNT, 5) < SUM(AMOUNT, 20) * 0.7', 'desc', 'pe_ttm', 100)
Python代码参考
import tushare as ts
# 筛选好股票函数
def select_good_stocks():
# 反包策略
df1 = ts.pro_bar(ts_code='', start_date='20210101', end_date='20220131',
freq='1min', ma=[5, 10, 30], adj='qfq')
# 计算涨跌幅
df1['pct_change'] = (df1['close'] - df1['open']) / df1['open']
# 筛选出大单和特大单数据
df2 = df1[df1['amount'] > 0.7 * 10 ** 7]
# 判断是否符合条件
good_stocks = df2[(df2['pct_change'] > 0.03) & (df2['low'].rolling(window=5).min() == df2['low'])]
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。
