(supermind量化策略)换手率3%-12%、反包、饮料酒进出口_

用户头像神盾局量子研究部
2023-08-30 发布

问财量化选股策略逻辑

选股逻辑为:在换手率3%-12%、反包、饮料酒进出口的股票中选择。

选股逻辑分析

该选股策略结合了反包指标和换手率指标以及行业选股,是一种混合型的选股策略。饮料酒进出口的行业选股可以降低行业风险,反包指标和换手率指标可以筛选出走势较好的股票。但该策略仅仅以行业为标准,并未对股票基本面进行考虑。

有何风险?

该选股策略忽略了股票基本面的影响,如公司财务情况、股价合理性等,容易选出泡沫股或遗漏优质股票。另外,饮料酒进出口领域虽然发展势头不错,但市场相对较小,可选择的优质标的较少。

如何优化?

在选股条件的制定方面,除了行业选股外,还需要结合多个技术指标和基本面指标共同辅助判断股票的价值,如RSI指标、市盈率、净利润、行业趋势等指标,进行筛选,减少误判。

最终的选股逻辑

选股条件为:在换手率3%-12%、反包、饮料酒进出口领域的股票中选择。

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 TradeClassify_SW(name = '饮料制造', MC = 'YBK') 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 TradeClassify_SW(name = '饮料制造', MC = 'YBK') ORDER BY TOF("市值") DESC', 80)

其中,turnover_rate表示股票换手率,STRFK表示反包指标,TradeClassify_SW表示申万行业分类,YBK为饮料制造。

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():
    # 换手率3%-12%
    df1 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,trade_date,turnover_rate')

    # 反包
    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')

    # 行业选股
    df4 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry')
    df5 = pd.merge(df3, df4[df4['industry'] == '饮料制造'][['ts_code', 'industry']], on='ts_code', how='inner')

    # 整合数据
    df6 = pd.merge(df5, pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,close'), on='ts_code', how='inner')
    df7 = pd.merge(df6, pro.stock_basic(exchange='', list_status='L',
                                         fields='ts_code,name,industry,pe,pb,total_mv,float_mv'), on='ts_code',
                   how='inner')
    df7 = df7.round({'turnover_rate': 2, 'float_mv': 2})
    return df7.sort_values(by='total_mv', ascending=False)

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)
收益&风险
源码

评论