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、周线macd在零轴之上的主板股票中进行投资。
选股逻辑分析
该选股逻辑增加了一个周线macd在零轴之上的指标，更加注重技术面。同时在之前的选股逻辑中考虑了换手率、机器人概念、市值等指标，更全面的考虑了股票的价值。
有何风险？
该选股逻辑仍未考虑到股票的基本面和行业的影响，仅依赖于技术指标。同时，周线macd的指标对于股票短期波动较大，可能出现选错股票的情况。
如何优化？
可以增加基本面和行业的指标，以及实施更加细致的技术分析。同时运用多种技术指标，可以降低选股的风险并提高选股的准确性。
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、周线macd在零轴之上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 fml('dif', 'W') > fml('dea', 'W') AND ref(fml('dif', 'W'), 1) <= ref(fml('dea', 'W'), 1)
选股结果：fml('换手率>=3 AND fml('机器人', 100) ==1 AND 流通市值<100000
AND fml('dif', 'W') > fml('dea', 'W') AND ref(fml('dif', 'W'), 1) <= ref(fml('dea', 'W'), 1)', 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)]
# MACD筛选
df5 = pro.weekly(ts_code='', start_date='', end_date='', fields='ts_code,trade_date,macd,diff,dea')
df5 = df5[(df5['diff'] > df5['dea'])&(df5['diff']>0)&(df5['diff']>df5['dea'])]
# 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')
# 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。
