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、9点25分涨幅小于6%的股票中选择。
选股逻辑分析
该选股逻辑比较注重短期表现，增加了9点25分涨幅小于6%的条件限制。同时在市值和机器人概念方面与前一个选股逻辑保持一致。但这种方法可能会忽略掉一些潜力更大的、但短期内表现不佳的股票。
有何风险？
在市场行情不佳的情况下，容易出现9点25分涨幅小于6%的情况，这样的条件限制可能会对股票的筛选范围造成较大的限制，导致选股结果不够优质。
如何优化？
可以适当放宽9点25分涨幅的条件限制，同时加入其他指标进行多维度筛选，如PE、PB、ROE等。可以根据不同行业、不同市场环境、不同投资风格等因素进行调整。
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、9点25分涨幅小于7%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<10000000) AND (换手率>2 AND 换手率<9 AND 涨幅(09:25)<6) ORDRE BY 换手率 ASC
选股结果：fml('(fml('机器人',100)==1) AND (流通市值<10000000) AND (换手率>2 AND 换手率<9 AND 涨幅(09:25)<6) 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['涨幅(09:25)'] = (df1['open'] - df1['pre_close']) / df1['pre_close'] * 100
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12) & (df1['涨幅(09:25)'] < 6)]
# 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]
# 筛选出好股票
df5 = pd.merge(df1, df3, on='ts_code', how='inner')
df5 = pd.merge(df5, df4[['ts_code', 'float_mv', 'industry']], on='ts_code', how='inner')
df5 = df5[(df5['turnover_rate'] > 2) & (df5['turnover_rate'] < 9) & (df5['涨幅(09:25)'] < 7)]
df5 = df5.round({'turnover_rate': 2, 'float_mv': 2})
df5 = df5.sort_values(by='turnover_rate', ascending=True)
return df5
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。
