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、未清偿可转债简称不可为空的股票中选择。
选股逻辑分析
在之前的基础上，增加了未清偿可转债简称不可为空的条件，通过进一步筛选，选择具有较好表现的股票，更好地控制风险。
有何风险？
仅通过流通市值、机器人概念等条件进行选股，可能会忽略其他重要的因素，存在选股不准确的风险。同时，未清偿可转债简称不可为空条件存在选股范围过小的风险。
如何优化？
综合考虑其他指标，如市盈率、市净率、市销率、ROE等，结合财务、业务和股权结构等因素，进行多维度分析，提高选股准确率。同时，为了扩大选股范围，可适当降低未清偿可转债简称不可为空的限制。
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、未清偿可转债简称不可为空的股票中选择。
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 < 1000000 AND bond_short_name!='' AND pgt=0 ORDER BY hot DESC
选股结果：fml('换手率>=3 AND fml('机器人',100)==1 AND 流通市值 < 1000000 AND bond_short_name!='' AND pgt=0 ORDER BY hot DESC',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,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)]
# 未清偿可转债简称不为空
df5 = pro.cb_basic(bond_short_name='', fields='ts_code,bond_short_name,convert_price')
df5 = df5[df5['bond_short_name'] != '']
df6 = pd.DataFrame({'ts_code': df5['ts_code']})
# 筛选出好股票
df7 = pro.daily(ts_code='', trade_date='20220110', fields='ts_code,open,high,low,close,pre_close,volume,turnover_rate')
df7['pgt'] = df7['open'] >= df7['pre_close']
df7 = pd.merge(df1, df7[['ts_code', 'pgt']], on='ts_code', how='inner')
df7 = pd.merge(df7, df3, on='ts_code', how='inner')
df7 = pd.merge(df7, df4[['ts_code', 'float_mv']], on='ts_code', how='inner')
df7 = pd.merge(df7, df6, on='ts_code', how='inner')
df7 = df7.round({'turnover_rate': 2, 'float_mv': 2})
# 按个股热度排序
df8 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,turnover_rate,total_share,hq_vol,hot', sortby='hot', ascending=False)
df8 = pd.merge(df8, df7[['ts_code']], on='ts_code', how='inner')
return df8
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。
