问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、股票均价站在五日均线之上的股票中选取。
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，增加了一个新的条件：股票均价站在五日均线之上。该条件可以反映出股票的中短期趋势，同时降低了选入的波动性较大的股票的风险。
有何风险？
同样未考虑其他因素，如股票基本面因素等。选出的股票质量不一定高，存在一定风险。同时，股票均价和五日均线之间的差距也可能出现过大的情况，影响策略质量。
如何优化？
该选股条件可以进一步加入其他技术面因素、基本面因素，以更全面地考虑选股的质量和可靠性。同时，可以对均线的时间长度进行优化，例如在10日、20日均线的基础上进行选股，以反映股票的中长期趋势。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、股票均价站在五日均线之上的股票中选取。
同花顺指标公式代码参考
选股条件：MA(CLOSE, 5)>MA(CLOSE, 10) AND turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G")
ORDER BY TOF("市值") DESC
选股结果：fml('MA(CLOSE, 5)>MA(CLOSE, 10) AND turnover_rate>=3 AND turnover_rate<=12 AND STRFK("88,A,B,C,D,E,F,G")
ORDER BY TOF("市值") DESC', 80)
其中，MA(CLOSE, 5)为五日均线，MA(CLOSE, 10)为十日均线。
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')
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
# 反包策略
df2 = pro.daily(ts_code='', trade_date='20220110', fields='ts_code,trade_date,low,high,pre_close')
df2['AT'] = df2['high'] - df2['low']
df2['ST'] = abs(df2['pre_close'] - df2['low'])
df2['BT'] = abs(df2['pre_close'] - df2['high'])
df2['RCT1'] = df2['ST'] / df2['AT']
df2['RCT2'] = df2['BT'] / df2['AT']
df2['RC'] = df2[['RCT1', 'RCT2']].min(axis=1)
df3 = df2[df2['trade_date'] == '20220110']
good_stocks = df3[df3['RC'] <= 0.2]['ts_code']
# 股票均价站在五日均线之上
good_stocks = pd.merge(good_stocks.to_frame(), pro.daily(ts_code='', trade_date='20220110',
fields='ts_code,trade_date,close'), on='ts_code',
how='inner')
good_stocks = good_stocks[good_stocks.groupby('ts_code')['close'].rolling(5).mean().reset_index(0, drop=True)
> good_stocks.groupby('ts_code')['close'].rolling(10).mean().reset_index(0, drop=True)]
# 主板股票
good_stocks = good_stocks[good_stocks['ts_code'].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。
