问财量化选股策略逻辑
选股逻辑：rsi小于65,（昨日换手率*（今日竞价成交量/昨日成交量））>0.5<2,今日最低价小于昨日最低价。
选股逻辑分析
该选股逻辑主要利用了RSI指标的低位、高换手和短期趋势下跌的股票来寻找买入时机。通过筛选出RSI指标低于65且换手率上升的股票并且在跌势中有较强的信号，可以捕捉到市场波动中的买入机会。同时加入今日最低价小于昨日最低价的条件，帮助进一步筛选出有下行趋势但处于低位的股票。
有何风险？
该选股逻辑可能会忽略一些长期稳定股票的选择。同时，过分强调短期波动反而容易产生市场短期行情与长期基本面的背离，影响选股效果。另外，单一性过强的选股逻辑容易产生过拟合的风险。因此，需要定期进行回测和优化。
如何优化？
可以考虑加入一些基本面指标，如PE、PB等，辅助筛选股票，并考虑增加市场趋势的判断。此外，可以加入技术分析指标，如MACD、DMI等，来进一步规避市场短期行情的风险，同时提高选股预判能力。
最终的选股逻辑
选股逻辑：rsi小于65,（昨日换手率*（今日竞价成交量/昨日成交量））>0.5<2,今日最低价小于昨日最低价, ROE大于20%且连续3年增长，市盈率低于同行业平均水平并且市净率低于同行业平均水平。
同花顺指标公式代码参考
XG1: RSI(14) < 65
XG2: (REF(VOL, 1) * REF(CLOSE, 1) / (TRADE * 10000)) > 0.5 AND (REF(VOL, 1) * REF(CLOSE, 1) / (TRADE * 10000)) < 2
XG3: LOW < REF(LOW, 1)
XG4: COUNT(LASTYEAR(ROE - LASTYEAR(ROE) > 0), 3) >= 3 AND (PE < AVGIND(PE, 2) AND PB < AVGIND(PB, 2))
...
SELECT IF(XG1 AND XG2 AND XG3 AND XG4, 1, 0)
Python代码参考
import pandas as pd
import tushare as ts
import talib
def get_stock_list():
pro = ts.pro_api()
# 获取股票基本信息
df_basic = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,market,area,industry,list_date')
# 计算RSI、换手率和竞价成交量
df_price = pro.daily(trade_date='20211013', fields='ts_code,close,low')
df_price = pd.merge(df_price, df_basic, on='ts_code')
df_price['rsi'] = talib.RSI(df_price['close'].values, timeperiod=14)
df_moneyflow = pro.moneyflow(ts_code='', trade_date='20211013',
fields='ts_code,trade_date,buy_sm_amount,sell_sm_amount,vol,pct_chg,close')
df_moneyflow['turnover_rate'] = df_moneyflow['vol'] / df_moneyflow['vol'].shift(1)
df_moneyflow['bid_vol'] = df_moneyflow['vol'] * df_moneyflow['pct_chg'] / 100 / 10000
df_moneyflow = df_moneyflow.groupby('ts_code')[['turnover_rate', 'bid_vol']].sum().reset_index()
df_moneyflow['bid_turnover'] = df_moneyflow['bid_vol'] / df_moneyflow['turnover_rate']
df_moneyflow = pd.merge(df_moneyflow, df_basic, on='ts_code')
# 增加今日最低价小于昨日最低价的条件
df_price['low_1day_ago'] = df_price['low'].shift(1)
df_price = df_price[df_price['low'] < df_price['low_1day_ago']]
# 计算ROE
df_income = pro.income(ts_code='', start_date='20150101', end_date='20211231',
fields='ts_code, end_date, n_income, total_assets, equity')
df_income['roe'] = df_income['n_income'] / df_income['equity']
df_roe = df_income.groupby('ts_code')[['end_date', 'roe']].apply(lambda x: x.set_index('end_date').squeeze())
df_roe.columns = ['year' + str(year) for year in range(2015, 2022)]
df_roe = df_roe.reset_index()
df_roe['last_year'] = df_roe['end_date'].apply(lambda x: x.year-1)
df_roe = df_roe.melt(id_vars=['ts_code', 'end_date', 'last_year'], var_name='year', value_name='roe')
df_roe['year'] = df_roe['year'].str[4:].astype(int)
df_roe = df_roe[df_roe['last_year'] == df_roe['year'] - 1]
df_roe = df_roe.groupby('ts_code')['roe'].rolling(3, min_periods=3).apply(lambda x: (x > 0).all())
df_roe = df_roe.reset_index()
df_roe.columns = ['ts_code', 'roe']
# 计算PE、PB的平均值
df_fundamentals = pro.fina_indicator(ts_code='', end_date='20201231',
fields='ts_code,pe,pb,industry,trade_date')
df_fundamentals = df_fundamentals.groupby('ts_code')[['pe', 'pb']].mean().reset_index()
df_fundamentals.columns = ['ts_code', 'avg_pe', 'avg_pb']
df_fundamentals['avg_pe'] = df_fundamentals.groupby('industry')['avg_pe'].transform(lambda x: x.median())
df_fundamentals['avg_pb'] = df_fundamentals.groupby('industry')['avg_pb'].transform(lambda x: x.median())
# 筛选股票
df_result = pd.merge(df_moneyflow[(df_moneyflow['bid_turnover'] > 0.5) &
(df_moneyflow['bid_turnover'] < 2)], df_price[df_price['rsi'] < 65], on='ts_code')
df_result = pd.merge(df_result, df_roe[df_roe['roe']], on='ts_code')
df_result = pd.merge(df_result, df_fundamentals[df_fundamentals['avg_pe'] > df_fundamentals['pe']][df_fundamentals['avg_pb'] > df_fundamentals['pb']], on='ts_code')
df_result = pd.merge(df_result, df_basic, on='ts_code')
df_result = df_result[['ts_code', 'symbol', 'market', 'area', 'industry', 'list_date']]
return df_result
Python依赖库
-
pandas
-
tushare
-
talib
## 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。 