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、上市天数大于365天的主板股票中进行投资。
选股逻辑分析
该选股逻辑相较于前一个选股逻辑，增加了一个基于上市天数考虑的选股指标，从一定程度上体现了历史业绩的价值。但是，该选股逻辑仍然缺乏基础面和行业因素的考虑，选中的股票可能有可能未来的业绩表现不佳。
有何风险？
该选股逻辑在选股指标方面仍然具有单一性，缺乏多元化，可能存在对特定期间和股票类型的适应性，不具备稳定性和抗风险性。
如何优化？
可以增加基础面、行业和宏观环境因素作为选股指标，以提高选股的准确度和鲁棒性。同时，应该采用多样化的方法，以选择不同时间尺度、市场类型和行业领域的股票来实现多样化的投资。
最终的选股逻辑
选股条件为：选择换手率在3%-12%、机器人概念和流通市值小于100亿，上市天数大于365天的主板股票进行投资。
同花顺指标公式代码参考
选股条件：换手率>=3 AND fml('机器人', 100) ==1 AND 流通市值<100000 AND 上市天数 > 365
选股结果：fml('换手率>=3 AND fml('机器人', 100) ==1 AND 流通市值<100000 AND 上市天数 > 365', 100)
python代码参考
import tushare as ts
import pandas as pd
ts.set_token('your_token')
pro = ts.pro_api()
def select_good_stocks():
# 换手率3%-12%
df1 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,turnover_rate,vol,amount')
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
# 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)]
# 上市天数大于365天
df5 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,list_date')
df5['list_days'] = (pd.to_datetime('today') - pd.to_datetime(df5['list_date'])).dt.days
df5 = df5[(df5['list_days'] > 365)]
# 合并两个筛选结果
df6 = pd.merge(df1, df3, on='ts_code', how='inner')
df6 = pd.merge(df6, df4, on='ts_code', how='inner')
df6 = pd.merge(df6, df5, on='ts_code', how='inner')
df6 = df6.drop(columns=['list_days'])
# 基本面筛选
df6 = df6.round({'turnover_rate': 2, 'pe': 2, 'pb': 2, 'total_mv': 2, 'float_mv': 2})
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。
