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、股票均价站在五日均线之上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股票均价站在五日均线之上这一因素。选股条件中的均价可以反映该股票的趋势，指数均线是常用的技术指标，同时，同样的股票均价上涨，不同的涨幅意义不同。这一因素的加入可以更好地反映近期股票上涨的趋势性。
有何风险？
与前一个选股逻辑相比，添加了股票均价站在五日均线之上这一条件，这仅仅是反映了该股票的价格相对于其一段时间内的趋势性情况，因此仅仅是短期内的买入信号。同时，同样的涨幅，不同的股票其市场表现可能不同，其内在价值也各不相同。
如何优化？
可以结合股票的财务、技术面和宏观面等多个因素进行筛选，同时，对于相同涨幅的股票也需要考虑其行业、竞争状况、公司前景等因素，以更好地选出高成长，高价值的股票。
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、股票均价站在五日均线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 概念(机器人)==1 and
流通市值<100000 and
股票均价(5)>均价(5) 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
股票均价(5)>均价(5) 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)]
# 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(ts_code=ts_code, start_date=str(datetime.datetime.now().date() - datetime.timedelta(days=4)).replace('-', ''), end_date=str(datetime.datetime.now().date().strftime('%Y%m%d')), fields='trade_date,close')
if (df3['close'].iloc[-1] > df3['close'].rolling(window=5).mean().iloc[-1]):
stocks.append(ts_code)
# 基本面和技术面筛选
df4 = df1[df1['ts_code'].isin(stocks)]
df4 = df4.round({'turnover_rate': 2, 'pe': 2, 'pb': 2, 'total_mv': 2, 'float_mv': 2})
return df4
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。
