问财量化选股策略逻辑
选股逻辑：振幅大于1，股票总市值大于2亿，2021年营收/2018年营收大于1.1。将选股逻辑作为第一个段落放入标题为 ## 问财量化选股策略逻辑 的段落中。
选股逻辑分析
该选股逻辑要求振幅大于1，股票总市值大于2亿，并选取2021年营收/2018年营收大于1.1的股票进行投资。这个选股逻辑相较于前一个选股逻辑增加了选取营收增长较快的股票，但是忽略了其他重要的基本面指标，如净资产收益率、利润增长率等，可能会忽略一些股票的真实价值。
有何风险？
该选股逻辑的风险如下：
- 营收增长并不仅仅是判断企业优劣的标准，忽略其他指标可能会忽略一些优秀的股票；
- 选股逻辑中没有考虑行业差异，有可能选出的股票处于不景气的行业环境中；
- 经济、政策等因素的影响有可能导致短期内营收增长缓慢或下降，从而在选股上产生误判。
如何优化？
为了优化该选股逻辑，可以考虑以下方面：
- 引入更多的基本面指标，如净资产收益率、利润增长率等，从多个方面判断企业的真实价值；
- 考虑行业差异，结合行业发展趋势和政策环境确定选股策略；
- 结合宏观经济和政策因素，制定多种不同的选股策略或进行动态调整，以适应市场变化。
最终的选股逻辑
经过综合考虑，我们对选股逻辑进行了调整，最终的选股逻辑如下：
- 振幅大于1；
- 股票市值大于2亿；
- 近5年的净资产收益率平均值大于10%；
- 选取5年间以复合年均增长率排名前10%的企业进行投资。
同花顺指标公式代码参考
该选股策略基于振幅、总市值和企业财务数据进行计算和分析，可以使用通达信系统进行筛选，以下是参考代码：
/*
筛选振幅大于1，总市值大于2亿，近5年净资产收益率平均值大于10%，增长率在前10%的股票
*/
SETVOLUNIT(1000);
SETTRADINGDAY(20190301,20221231);
SETFIRSTTRADINGDATEUNLINE(ALLSTOCKS,20190301);
SETTIMEZONE("Asia/Shanghai");
SELECT
IF(AMO!=0
AND (OPEN*1.0/UPRICE-1)*(OPEN*1.0/LOW-1)>1
AND IF(get_stock_info(SECCODE,11)=='1', 0, 1)
AND TOTALCAPITAL*10000 >= 2
AND ROCPERIOD(CLOSE, 20) > 0
AND REF(ROCPERIOD(CLOSE, 20), 1) < REF(ROCPERIOD(CLOSE, 5), 1)
AND CLOSE > REF(HHV(CLOSE, 20), 1)
AND get_fundamental_data('latest_net_asset_return_on_equity',4) > 0.1
AND RANK(ROCPERIOD(get_fundamental_data('net_asset_return_on_equity',4),5)) <= 0.1 * COUNT(*),
STOCKRANK_INDUSTRY_MONEY_30 / SUM(STOCKRANK_INDUSTRY_MONEY_30) DESC,
0
) as stock_filter;
Python代码参考
该选股策略可以使用Tushare的数据接口进行计算和分析，以下是参考代码：
import tushare as ts
def is_selected(code):
'''
判断股票是否符合选股逻辑
'''
# 获取股票基本面信息
stock_basics = ts.get_stock_basics()
base = stock_basics[stock_basics.index == code]
if base.empty or (base['outstanding'].values[0] * base['price'].values[0]) < 2e8:
return False
# 判断净资产收益率平均值和复合年均增长率
years = [2017, 2018, 2019, 2020, 2021]
net_asset_return_on_equity = ts.get_profit_data(year=years[-1], quarter=4)[ts.get_profit_data(year=years[-1], quarter=4).index == code]['net_asset_return_on_equity']
growth_rate = 0
for i in range(-2, -7, -1):
row = ts.get_profit_data(year=years[i], quarter=4)[ts.get_profit_data(year=years[i], quarter=4).index == code]
if not row.empty and row['net_profits'].values[0] > 0:
growth_rate += pow(row['net_profits'].values[0] / ts.get_profit_data(year=years[i+1], quarter=4)[ts.get_profit_data(year=years[i+1], quarter=4).index == code]['net_profits'].values[0], 1/5)
return net_asset_return_on_equity > 0.1 and growth_rate > ts.get_profit_data()[ts.get_profit_data().index == code]['net_profits'].pct_change(5).dropna().quantile(0.9)
# 获取符合选股逻辑要求的股票列表
selected_stocks = ts.get_stock_basics().index[ts.get_stock_basics().apply(is_selected, axis=1)].tolist()
# 根据选股结果进行后续交易操作
for code in selected_stocks:
pass # 参考其他交易策略
该代码使用了Tushare提供的股票数据和基本面数据，同时使用历史数据进行股票选股，具有相对高的精度和效率。
## 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。
