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，筛选连续5年ROE＞15%的企业。
选股逻辑分析
该选股策略主要考虑了企业的盈利能力，通过筛选连续5年ROE＞15%的企业，可以较好地发掘具有较好盈利能力的企业。同时，在换手率3%-12%、反包的前提下，可以挖掘出较为稳定的个股，风险相对较小。
有何风险？
该选股策略忽略了其他影响企业股价的因素，如市场环境、行业变化等，可能导致选出来的股票周期性较强，风险相对较大。同时，该策略可能会错过一些未来成长潜力较大的企业，对于股价变动较大的个股也容易造成大的亏损。
如何优化？
可以在选股条件上结合其他因素进行筛选，如市盈率、市净率等因素，从多个角度考虑企业的价值，综合性能做出选择。同时，为了避免选出股价变动较大的个股，可以结合其他技术分析指标（如均线、相对强弱指标等）来辅助股票分析，从而降低风险。应该多方面考虑，以全面分析为目的，尽量克服选股特定条件带来的局限性。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包的前提下，筛选连续5年ROE＞15%的企业。
同花顺指标公式代码参考
选股条件：ROE5>=15 and turnover_rate>=3 and turnover_rate<=12 and KDJ_K>=KDJ_D
选股结果：fml('(ROE5>=15 and turnover_rate>=3 and turnover_rate<=12 and KDJ_K>=KDJ_D)', 'desc', 'pe_ttm', 100)
Python代码参考
import tushare as ts
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='', start_date='20210101', end_date='20220131',
fields='ts_code,trade_date,pre_close,open,high,low,close,vol,amount')
# 计算指标
df1['K'], df1['D'] = talib.STOCH(df1['high'].values, df1['low'].values, df1['close'].values,
fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
df1['ROE5'] = pro.fina_indicator(ts_code='', start_date='20160101', end_date='20211231',
fields='ts_code, end_date,roe5').groupby('ts_code').mean()['roe5']
# 筛选
good_stocks = df1[(df1['ROE5'] > 15) & (df1['K'] > df1['D'])
& (df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)
]['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。
