问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、机器人概念且流通市值小于100亿、10日涨幅大于0小于35的股票中选择。
选股逻辑分析
本选股逻辑基于前一逻辑，进一步筛选了短期涨幅，更注重股票的市场表现，但可能会忽略其他重要指标。
有何风险？
该选股逻辑忽略了其他重要指标，只考虑了10日涨幅，可能会导致选择出来的股票质量不高。
如何优化？
可以考虑增加其他重要指标，比如市盈率、市净率等等，同时根据市场情况不断调整选股条件，避免单一指标影响选股结果。
最终的选股逻辑
选股条件为：在换手率3%-12%、机器人概念且流通市值小于100亿、10日涨幅大于0小于35的股票中选择。
同花顺指标公式代码参考
选股条件：(fml('机器人', 100) == 1) AND (流通市值 < 100) AND (LEFT(ts_code, 2) = '60') AND (换手率 > 3) AND (换手率 < 12) AND (fml('变动率', 10) > 0) AND (fml('变动率', 10) < 35) ORDER BY 换手率 ASC
选股结果：fml('(fml('机器人', 100) == 1) AND (流通市值 < 100) AND (LEFT(ts_code, 2) = '60') AND (换手率 > 3) AND (换手率 < 12) AND (fml('变动率', 10) > 0) AND (fml('变动率', 10) < 35) ORDER BY 换手率 ASC', 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():
# 换手率3%-12%
df1 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,trade_date,turnover_rate,vol,amount,open,pre_close')
df1 = df1.rename(columns={'turnover_rate': '今日换手率', 'vol': '成交量', 'amount': '成交额', 'pre_close': '昨日收盘价', 'open': '今日开盘价'})
df1['今日收盘价'] = pro.daily(ts_code='', start_date='20220110', end_date='20220110', fields='close').iloc[0]['close']
# 机器人概念
df2 = pro.concept(src='ts', fields='id,concept_name,src')
df2 = df2[df2['concept_name'].str.contains('机器人')]
df3 = pro.concept_detail(id=df2.iloc[0]['id'], fields='ts_code')
# 流通市值小于100亿
df4 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df4 = df4[df4['float_mv'] < 100000]
# 60开头的股票
df5 = pro.stock_basic(exchange='', list_status='L', fields='ts_code')
df5 = df5[df5['ts_code'].str.startswith('60')]
# 10日涨幅大于0小于35
df6 = pro.daily(ts_code='', start_date='20220101', end_date='20220110', fields='ts_code,trade_date,close')
unique_stocks = pd.unique(df6['ts_code'])
good_stocks = []
for ts_code in unique_stocks:
df7 = df6[df6['ts_code'] == ts_code]
df7['变动率'] = (df7['close'] - df7.iloc[0]['close']) / df7.iloc[0]['close'] * 100
if (df7['变动率'][9] > 0) and (df7['变动率'][9] < 35):
good_stocks.append(ts_code)
df8 = pd.merge(df1, df5, on='ts_code', how='inner')
df9 = pd.merge(df8, df3[['ts_code']], on='ts_code', how='inner')
df10 = pd.merge(df9, df4[['ts_code', 'float_mv', 'industry']], on='ts_code', how='inner')
df10 = df10[(df10['今日换手率'] > 2) & (df10['今日换手率'] < 9)]
df10 = df10.round({'今日换手率': 2, 'float_mv': 2})
df10 = df10.sort_values(by='今日换手率', ascending=True)
return df10
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。
