问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%,选择机器人概念且流通市值小于100亿且振幅大于1的股票中选择。
选股逻辑分析
该选股策略考虑了机器人概念及流通市值和振幅等因素，通过限制换手率和市值大小以及行业，以及波动性，既可以筛选出稳定股票，又可以挖掘出潜力股票。
有何风险？
该选股策略可能过分强调机器人概念，忽视了其他重要因素如基本面等，同时也有可能因为选股的限制过多，导致候选股票数量不足。
如何优化？
可以综合使用其他指标如财务数据、市场形势等，对股票的基本面和市场评估进行综合评估，从而提高投资成功率。同时，也可以适当放宽一些选股限制，如市值大小的范围等，扩大选股空间。
最终的选股逻辑
在换手率3%-12%,选择机器人概念且流通市值小于100亿且振幅大于1的股票中选择，并结合其他基本面等因素进行综合评估，以提高投资成功率。
同花顺指标公式代码参考
可以使用同花顺软件中的“公式选股系统”进行筛选，或者自编代码实现。例如：
fml('换手率>=3and换手率<=12 AND 概念(机器人)==1 AND 流通市值<=100000 AND 振幅>=1',100)
python代码参考
import tushare as ts
import talib
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)]
# 前天的日期字符串
td = datetime.datetime.today() - datetime.timedelta(days = 2)
td_str = td.strftime('%Y%m%d')
stocks_info = []
for index, row in df1.iterrows():
ts_code = row['ts_code']
stock_df = pro.daily(ts_code=ts_code, start_date=td_str, end_date=td_str)
if (len(stock_df) > 0):
amplitude = (stock_df['high'] - stock_df['low']) / stock_df['pre_close']
if amplitude[0] > 0.01:
stocks_info.append(row)
df1 = pd.DataFrame(stocks_info, columns=['ts_code', 'name', 'industry', 'pe', 'pb', 'turnover_rate', 'amount', 'total_mv', 'float_mv'])
return df1
good_stocks = select_good_stocks()
print(good_stocks)
其中需要替换掉your_token为你的tushare token。
## 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。
