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、未被北向资金包（即反包）的股票中选择。
选股逻辑分析
本选股逻辑增加了反包的条件，排除了北向资金的影响，但可能会剔除部分实力较强的公司。同时，需注意反包的具体定义和判断。
有何风险？
与之前的选股逻辑一样，该选股逻辑也可能会忽略一些实力较强的公司，而且排除反包可能会导致选股股票的数量较少，影响分散风险。
如何优化？
可以适度放宽选股条件，避免过于注重细节而忽略整体趋势，同时可以对各细节和条件进行加权处理，获取更优秀的选股结果。在判断反包时也要注意千变万化的市场情况和投资者行为。
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、未被北向资金包的股票中选择。
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 (换手率 > 3) AND (换手率 < 12) AND (NOT bean('北向资金')) ORDER BY 换手率 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 (换手率 > 3) AND (换手率 < 12) AND (NOT bean('北向资金')) 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 = 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']
# 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]
# 100亿市值以内的无亏损企业
df5 = pro.profit(pre_year=2021, fields='ts_code,ann_date,end_date,n_income')
df5 = df5[(df5['end_date'] >= 20211231) & (df5['end_date'] <= 20220101)]
df5 = df5.groupby('ts_code').sum()
df5 = df5[df5['n_income'] > 0]
df5 = df5.reset_index()
df6 = pd.merge(df4, df5[['ts_code']], on='ts_code', how='inner')
# 排除北向资金持股的股票
df7 = pd.DataFrame()
for i in range(1, 4):
df_tmp = pro.hk_hold(trade_date='20220110', exchange='SEHK', fields='ts_code,hold_ratio', north_purchase_power=0.05, north_sales_power=0.05, south_purchase_power=0.05, south_sales_power=0.05, rank=i)
df7 = pd.concat([df7, df_tmp[['ts_code']]], ignore_index=True)
df7 = df7.drop_duplicates()
df8 = pd.merge(df1, df7[['ts_code']], on='ts_code', how='outer')
df8 = df8[df8['ts_code'].isin(df7['ts_code'] == False)]
df9 = pd.merge(df8, df3[['ts_code']], on='ts_code', how='inner')
df10 = pd.merge(df9, df6[['ts_code', 'float_mv', 'industry']], on='ts_code', how='inner')
df10 = df10[(df10['今日换手率'] > 2) & (df10['今日换手率'] < 9)]
df10 = df10.round({'今日换手率': 2, 'float_mv': 2})
df10 = df10.sort_values(by='今日换手率', ascending=True)
return df10
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。
