问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、股价为18.5元的股票中进行筛选。
选股逻辑分析
该选股策略结合了三种经典的技术分析指标，分别是换手率、反包和股价，筛选出股价在较为合适的18.5元左右、动量较强的可转债股票。
有何风险？
该选股策略没有考虑公司的基本面数据对于股票价格的影响，并且可能会忽略了可转债市场的动态情况和转股行情等，从而导致在某些市场行情下选出的股票性价比不优，投资风险加大。
如何优化？
同样可以加入基本面指标进行股票筛选，通过对公司的财务数据进行综合考虑，如市盈率、市净率、收益率等等参数进行股票的评估筛选。另外，可以加入可转债市场的行情指标，如可转债与正股价差、到期时间等等参数进行综合考虑，提高筛选的精度和效率。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、股价为18.5元的股票中进行筛选。
同花顺指标公式代码参考
选股条件：(CLOSE==18.5) AND (HIGH/REF(CLOSE,1)-1>=0.098) AND (LOW/REF(CLOSE,1)-1<=-0.098) AND (turnover_rate>=3 AND turnover_rate<=12) AND (exchange == 'SZSE') AND (list_status == 'L')
选股结果：fml('(CLOSE==18.5) AND (HIGH/REF(CLOSE,1)-1>=0.098) AND (LOW/REF(CLOSE,1)-1<=-0.098) AND (turnover_rate>=3 AND turnover_rate<=12) AND (exchange == 'SZSE') AND (list_status == 'L')', 'desc', 'hot', 100)
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():
# 反包策略
df1 = pro.daily(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,low,high,pre_close,close')
df1['AT'] = df1['high'] - df1['low']
df1['ST'] = abs(df1['pre_close'] - df1['low'])
df1['BT'] = abs(df1['pre_close'] - df1['high'])
df1['RCT1'] = df1['ST'] / df1['AT']
df1['RCT2'] = df1['BT'] / df1['AT']
df1['RC'] = df1[['RCT1', 'RCT2']].min(axis=1)
# 股价为18.5元
df1 = df1[df1['close'] == 18.5]
# 换手率3%-12%
df2 = pro.daily_basic(ts_code='', trade_date='20220111',
fields='ts_code,trade_date,turnover_rate')
good_stocks = pd.merge(df1[['ts_code', 'RC']],
df2.iloc[:, :-1], on='ts_code', how='inner')
good_stocks = good_stocks[(good_stocks['turnover_rate'] >= 3) &
(good_stocks['turnover_rate'] <= 12)]
# 深证主板中选股
good_stocks = good_stocks[good_stocks['exchange'] == 'SZSE']
good_stocks = good_stocks[good_stocks['list_status'] == 'L']
# 返回股票代码
good_stocks = good_stocks['ts_code'].reset_index(drop=True)
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。
