(supermind量化策略)换手率3%-12%、反包、近一个月内有过涨停

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，选出近一个月内有过涨停的股票。

选股逻辑分析

该选股策略尝试从过去市场表现中，筛选出近期受到市场关注和追捧的热点股票。同时，考虑到换手率和反包的影响，可以过滤掉短期内涨得过快、交易异常的标的股票，力求捕捉市场中长期表现较好的股票。

有何风险？

该选股策略可能存在过度逆向操作、盲目追涨等行为的风险，同时，近一个月内曾经涨停的股票反而可能会出现短暂的调整或回调，这些股票的潜在风险需要及时考量。

如何优化？

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，从而减少因过度追涨而选择风险更大的标的股票的可能性，例如：加入市场热度指标、板块指标等，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，选出近一个月内有过涨停的股票。

同花顺指标公式代码参考

选股条件：SETPRICETYPE(1);((HIGH-LOW+0.001)/LOW)>0.09 AND REF(LIMITUP, 1) > 0 AND VOLUME > 5000 AND AMOUNT > 20000000 AND (HIGH == REF(HIGH, 1))
选股结果：fml('SETPRICETYPE(1);((HIGH-LOW+0.001)/LOW)>0.09 AND REF(LIMITUP, 1) > 0 AND VOLUME > 5000 AND AMOUNT > 20000000 AND (HIGH == REF(HIGH, 1))', 'desc', 'market_cap', 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']

    # 筛选出过去一个月内有过涨停的股票
    df2 = df1[df1['high'].rolling(window=22).max() == df1['high']]

    # 判断是否符合条件
    good_stocks = df2[(df2['low'].rolling(window=5).min() == df2['low']) &
                      (df2['amount'] > 20000000) & (df2['volume'] > 5000)]

    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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(supermind量化策略)换手率3%-12%、反包、近一个月内有过涨停_