(supermind量化策略)换手率3%-12%、机器人概念且流通市值小于100亿、集中度

用户头像神盾局量子研究部
2023-08-30 发布

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、集中度70<20%的股票中选择。

选股逻辑分析

在之前的选股逻辑基础上,增加了集中度的条件,通过该指标来排除过度集中的股票,防止风险集中。

有何风险?

集中度指标容易被单个大股东所主导,而大股东持股的变化会对集中度指标产生较大影响,因此需要更全面地考虑影响股价的因素。

如何优化?

综合考虑市值、成长性、竞争能力、财务稳定性等因素,筛选出市场估值低,增长性好,盈利能力强的股票进行投资,将风险分散,降低集中度。

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、集中度70<20%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 fml('集中度70<20%',100)==1 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 fml('集中度70<20%',100)==1 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()

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)]
    
    # 集中度70<20%
    df5 = pro.major_shareholder(ts_code='', end_date='20211231', fields='ts_code,ann_date,end_date,major_shareholder,shares_held,shares_ratio')
    df5['shares_ratio'] = df5['shares_ratio'].apply(lambda x: float(x.replace('%', '')))
    df5 = df5[(df5['shares_ratio'] < 20) & (df5['shares_ratio'] >= 70)]
    
    # 合并筛选结果
    df6 = pd.merge(df1, df3, on='ts_code', how='inner')
    df6 = pd.merge(df6, df4[['ts_code', 'float_mv']], on='ts_code', how='inner')
    df6 = pd.merge(df6, df5[['ts_code']], on='ts_code', how='inner')
    df6 = df6.round({'turnover_rate': 2, 'float_mv': 2})
    
    # 按个股热度排序
    df7 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,turnover_rate,total_share,hq_vol,hot', sortby='hot', ascending=False)
    df7 = pd.merge(df7, df6[['ts_code']], on='ts_code', how='inner')
    
    return df7

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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论