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、近一个月内有过涨停的股票中选择。
选股逻辑分析
该选股逻辑注重了流通市值、机器人概念和近期热度，有一定的基本面和技术面分析。通过涨停的筛选，可以找到有一定市场关注度的股票。
有何风险？
该选股逻辑缺少更多的财务指标和行业分析，选出的股票可能风险过大，不太适合长期持有。并且，近一个月内有涨停并不一定代表未来会有良好表现，过分依赖涨停指标容易追涨杀跌。
如何优化？
应该在流通市值、机器人概念和近期热度的基础上，加入更多的财务指标和行业分析，避免仅凭热度选股。同时，也需要更加重视风险控制，以避免选股策略的风险过大。
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、近一个月内有过涨停的股票中选择。
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 (fml('zd', 30) == 'U') ORDER BY 今日收盘价 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 (fml('zd', 30) == 'U') ORDER BY 今日收盘价 ASC', 100)
其中，fml('zd', 30)表示近30天内的涨跌幅，如果涨停的话，显示为'U'。
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,low,pre_close')
df1 = df1.rename(columns={'turnover_rate': '今日换手率', 'pre_close': '昨日收盘价', 'low': '今日最低价'})
df1['昨日最低价'] = pro.daily(ts_code='', start_date='20220107', end_date='20220107', fields='low').iloc[0]['low']
# 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]
df5 = pd.merge(df4, df3[['ts_code']], on='ts_code', how='inner')
# 近一个月内有过涨停
trade_cal = pro.trade_cal(exchange='', start_date='20211211', end_date='20220110')
trade_days = trade_cal[trade_cal['is_open'] == 1]['cal_date'].tolist()
df6 = pd.DataFrame()
for trade_day in trade_days:
df = pro.limit_list(trade_date=trade_day, fields='ts_code,trade_date,up_limit')
df6 = pd.concat([df6, df])
df6['涨停'] = df6['up_limit'].apply(lambda x: True if x > 0 else False)
df6 = df6.groupby(['ts_code'])[['涨停']].any().reset_index()
df7 = pd.merge(df5, df6[df6['涨停']], on='ts_code', how='inner')
df8 = pd.merge(df7, df1[['ts_code', '今日换手率', '今日最低价', '昨日最低价']], on='ts_code', how='inner')
df9 = df8[(df8['今日换手率'] > 3) & (df8['今日换手率'] < 12)]
df9 = df9.round({'今日换手率': 2, 'float_mv': 2, '今日最低价': 2, '昨日最低价': 2})
df9 = df9.sort_values(by='今日收盘价', ascending=True)
return df9
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。
