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、KDJ刚形成金叉的股票中选择。
选股逻辑分析
本选股逻辑在前者基础上增加了技术指标KDJ，考虑到KDJ形成金叉通常预示股票价格将会上涨，因此加入KDJ判断是合理的。
有何风险？
选股条件仅考虑了少数指标，未考虑其他重要指标如市价、市盈率、公司治理等，存在忽略掉潜在风险的风险。
如何优化？
应考虑更多重要的指标如市盈率、股息率、市净率等，并且应该根据市场环境等因素进行调整，确保选出的股票具备全面的盈利和估值优势。
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、KDJ在最近周期内出现金叉的股票中选择。
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 CROSS(J, K) AND (CROSS(J, K) > CROSS(J, D)) AND (换手率 > 3) AND (换手率 < 12) ORDER BY 换手率 ASC
选股结果：fml('(fml('机器人', 100) == 1) AND (流通市值 < 100) AND CROSS(J, K) AND (CROSS(J, K) > CROSS(J, D)) AND (换手率 > 3) AND (换手率 < 12) ORDER BY 换手率 ASC', 100)
Python代码参考
import tushare as ts
import pandas as pd
import talib
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']
# KDJ形成金叉
df1['KDJ_J'], df1['KDJ_K'], df1['KDJ_D'] = talib.STOCH(df1['今日最高价'].values, df1['今日最低价'].values, df1['今日收盘价'].values, fastk_period=9, slowk_period=3, slowd_period=3)
df1['金叉1'] = (df1['KDJ_J'] > df1['KDJ_K']) & (df1['KDJ_J'].shift(1) <= df1['KDJ_K'].shift(1))
df1['金叉2'] = (df1['KDJ_J'] > df1['KDJ_D']) & (df1['KDJ_J'].shift(1) <= df1['KDJ_D'].shift(1))
df1 = df1[df1['金叉1'] | df1['金叉2']]
# 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
good_stocks = []
for ts_code in df3['ts_code']:
good_stocks.append(ts_code)
df6 = df1[df1['ts_code'].isin(good_stocks)]
df6 = pd.merge(df6, df3[['ts_code']], on='ts_code', how='inner')
df6 = pd.merge(df6, df4[['ts_code', 'float_mv', 'industry']], on='ts_code', how='inner')
df6 = df6[(df6['今日换手率'] > 2) & (df6['今日换手率'] < 9)]
df6 = df6.round({'今日换手率': 2, 'float_mv': 2})
df6 = df6.sort_values(by='今日换手率', ascending=True)
return df6
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。
