问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、竞价涨幅＞-2＜5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，并将竞价涨幅作为进一步筛选条件。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，即股票价格回调后有望反弹；通过竞价涨幅进一步筛选出具有一定涨幅但波动性不太大的股票。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？
选股策略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，竞价涨幅并不能完全代表股票的涨幅水平和可靠性，在具体操作中需要谨慎处理。
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、竞价涨幅＞-2＜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 (open-vwap)/vwap*100>-2 AND (open-vwap)/vwap*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 (open-vwap)/vwap*100>-2 AND (open-vwap)/vwap*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，vwap为成交量加权平均价。
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']
# 竞价涨幅
df6 = pro.bar(ts_code='', freq='1min', start_date='20220110',
end_date='20220110', ma=[5], fields='ts_code,trade_time,open,close,high,low,vol')
df6['vwap'] = (df6['open'] + df6['high'] + df6['low'] + df6['close']) / 4
df7 = df6[df6['trade_time'] == '09:31']
good_stocks = pd.merge(good_stocks.to_frame(), df7[['ts_code', 'vwap', 'open']],
on='ts_code', how='inner')
good_stocks = good_stocks[(good_stocks['open'] - good_stocks['vwap']) / good_stocks['vwap'] * 100 > -2]
good_stocks = good_stocks[(good_stocks['open'] - good_stocks['vwap']) / good_stocks['vwap'] * 100 < 5]
# 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。
