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、前日实际换手率在3~28之间的主板股票中进行投资。
选股逻辑分析
该选股逻辑相比前一个逻辑增加了前日实际换手率这一因素。换手率能够反映市场对该股票的投资意愿，而前一日实际换手率可反映近期市场情绪对该股票的影响。因此，这一因素的加入可以更好地反映市场热度和投资情绪。
有何风险？
由于前日实际换手率只能反映近期市场情绪对该股票的影响，而不能代表其业绩表现和长期投资价值，因此选股结果可能存在较大波动性。同时，仅从一个维度进行筛选容易忽略其他重要因素，如公司财务、行业发展等。
如何优化？
可以从财务、行业和基本面等多个维度进行筛选，综合考虑后投资。同时，可以结合所选股票的行业进行深入研究，衡量该行业的前景、行业领先企业的市场份额以及行业竞争状况等因素，以更好地选出高成长、高品质的股票。
最终的选股逻辑
选股条件为：选择换手率在3%-12%、机器人概念且流通市值小于100亿、前日实际换手率在3~28之间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 概念(机器人)==1 and
流通市值<100000 and
前日实际换手率>=3 and 前日实际换手率<=28 order by 按出现次数排序;
选股结果：fml('换手率>=3 and 概念(机器人)==1 and
流通市值<100000 and
前日实际换手率>=3 and 前日实际换手率<=28 order by 按出现次数排序',100)
python代码参考
import tushare as ts
import pandas as pd
import datetime
ts.set_token('your_token')
pro = ts.pro_api()
def select_good_stocks():
# 换手率3%-12%
df1 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
df1 = df1[(df1['concept'].str.contains('机器人'))]
df1 = df1[(df1['float_mv'] < 100000)]
# 基本面和技术面选股条件
stocks = []
for ts_code in df1['ts_code']:
df2 = pro.daily(ts_code=ts_code, start_date='20210101', end_date=str(datetime.datetime.now().date().strftime('%Y%m%d')), fields='trade_date, close')
if df2.iloc[-1]['close'] > df2['close'].rolling(window=250).mean().iloc[-1]:
df3 = pro.daily_basic(ts_code=ts_code, trade_date=str(datetime.datetime.now().date() - datetime.timedelta(days=2)).replace('-', ''))
if (df3['turnover_rate'].iloc[0] >= 3) & (df3['turnover_rate'].iloc[0] <= 28):
df4 = pro.top10_holders(ts_code=ts_code, start_date='20210101', end_date=str(datetime.datetime.now().date().strftime('%Y%m%d')), fields='ann_date,holder_name,hold_ratio')
if (df4.iloc[-1]['hold_ratio'] - df4.iloc[-2]['hold_ratio'] > 0) & (df4.iloc[-2]['hold_ratio'] - df4.iloc[-3]['hold_ratio'] > 0):
stocks.append(ts_code)
# 基本面和技术面筛选
df5 = df1[df1['ts_code'].isin(stocks)]
df5 = df5.round({'turnover_rate': 2, 'pe': 2, 'pb': 2, 'total_mv': 2, 'float_mv': 2})
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。
