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、前天MACD<0的股票中选择。
选股逻辑分析
该选股逻辑在市值、机器人概念和换手率的基础上，加入了技术指标MACD，选股更为综合。同时，通过选择前天MACD<0的股票，注重了股票的短期趋势，增加了策略的可靠性。
有何风险？
同样缺少充足的财务指标和行业分析，并且MACD指标是一种相对短期的技术分析方法，可能无法准确反映股票的长期发展趋势。同时，与市场整体走势不一致的个股也有可能出现。
如何优化？
除了上述提到的财务指标和行业分析之外，可以考虑加入其他技术分析指标，如KDJ、RSI等，从更多角度综合考虑股票的趋势性和估值情况。同时，对于MACD指标可以根据实际情况进行调整，比如采用更长的时间周期或结合其他指标来综合判断。
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，前天MACD<0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) != '11') AND (Fml('MACD.Dif', 2, 0, 0, 0) < Fml('MACD.Dea', 2, 0, 0, 0)) ORDER BY 今日收盘价 ASC
选股结果：fml('(fml('机器人', 100) == 1) AND (流通市值 < 100) AND (LEFT(ts_code, 2) != '11') AND (Fml('MACD.Dif', 2, 0, 0, 0) < Fml('MACD.Dea', 2, 0, 0, 0)) ORDER BY 今日收盘价 ASC', 100)
其中，Fml('MACD.Dif', 2, 0, 0, 0)表示前天MACD指标的DIF值，Fml('MACD.Dea', 2, 0, 0, 0)表示前天MACD指标的DEA值。
Python代码参考
import tushare as ts
import pandas as pd
ts.set_token('your_token')
pro = ts.pro_api()
# MACD指标函数
def MACD(df, p1, p2, p3):
df['EMA12'] = df['close'].ewm(span=p1, min_periods=p1).mean()
df['EMA26'] = df['close'].ewm(span=p2, min_periods=p2).mean()
df['DIF'] = df['EMA12'] - df['EMA26']
df['DEA'] = df['DIF'].ewm(span=p3, min_periods=p3).mean()
df['MACD'] = 2 * (df['DIF'] - df['DEA'])
return df[['trade_date', 'DIF', 'DEA', 'MACD']]
# 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,low,pre_close')
df1 = df1.rename(columns={'turnover_rate': '今日换手率', 'pre_close': '昨日收盘价', 'low': '今日最低价'})
df1['昨日最低价'] = pro.daily(ts_code='', start_date='20220107', end_date='20220107', fields='low').iloc[0]['low']
# 机器人概念和流通市值小于100亿
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')
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]
df5 = pd.merge(df4, df3[['ts_code']], on='ts_code', how='inner')
# 前天MACD小于0
trade_days = pro.trade_cal(exchange='', start_date='20220107', end_date='20220110')[pro.trade_cal.is_open == 1]['cal_date'].tolist()
df6 = pd.DataFrame()
for trade_day in trade_days:
df = pro.daily(ts_code='', start_date=trade_day, end_date=trade_day, fields='ts_code,trade_date,close')
df = MACD(df, 12, 26, 9)
df6 = pd.concat([df6, df])
df6 = df6[df6['DIF'] < df6['DEA']]
df6 = df6[df6['trade_date'] == '2022-01-07']
df6 = df6[['ts_code']]
df7 = pd.merge(df5, df6[['ts_code']], on='ts_code', how='inner')
df8 = pd.merge(df7, df1[['ts_code', '今日换手率', '今日最低价', '昨日最低价']], on='ts_code', how='inner')
df9 = df8[(df8['今日换手率'] > 3) & (df8['今日换手率'] < 12)]
df9 = df9.round({'今日换手率': 2, 'float_mv': 2, '今日最低价': 2, '昨日最低价': 2})
df9 = df9.sort_values(by='今日收盘价', ascending=True)
return df9
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。
