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,近一个月内有过涨停。
选股逻辑分析
该选股逻辑主要基于技术面和市场情绪来筛选股票，其中RSI用于判断股票的超卖状态，昨日换手率乘以今日竞价成交量/昨日成交量用于判断股票的流动性，近一个月内有过涨停用于判断股票近期受到市场情绪的影响程度。
有何风险？
该选股逻辑忽略了一些股票的长期稳定性和基本面影响，也容易因为市场变化而出现过拟合的情况。另外，近一个月内有过涨停并不能完全代表股票的优秀表现，也存在一些被炒作的题材股入选的风险。
如何优化？
可适当引入基本面分析指标，如EPS、ROE、净利润等指标，辅助判断股票的长期增长性和估值水平。同时，可考虑筛选跟随主流机构意见的股票，辅助减少由于单一股东或少量机构资金投机行为的影响。此外，可考虑股票的流动性指标和成交量趋势等因素，综合考虑股票的宏观和微观面，以提高选股的准确性和稳定性。另外，可以考虑加入其他的技术分析指标如MACD等指标，用以补充和优化选股逻辑。
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,近一个月内有过涨停，机构投资者持股比例超过50%。
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: C * !!((1 - REF(HIGH, 1) / REF(CLOSE, 1)) * (HIGH / C - 1)) + C * !!((1 - REF(CLOSE, 1) / REF(LOW, 1)) * (LOW / C - 1)) > 1 AND RESTOP>0
XG4: TRADE * ABS((OPEN - PRECLOSE) / PRECLOSE) > 70
...
SELECT IF(XG1 AND XG2 AND XG3 AND XG4, 1, 0)
Python代码参考
import pandas as pd
import tushare as ts
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(ts_code='', trade_date='20220112', fields='ts_code,open,close,pre_close')
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='20220111', fields='ts_code,buy_bsm,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')
# 查找涨停股票
df_daily = pro.daily(ts_code='', trade_date='20220111', fields='ts_code,trade_date,high,low,close')
df_daily['max_price'] = df_daily.groupby('ts_code')['high'].transform('max')
df_daily['min_price'] = df_daily.groupby('ts_code')['low'].transform('min')
df_daily['is_up_limit'] = (df_daily['close'] == df_daily['max_price']) | (df_daily['close'].pct_change() > 0.098)
df_daily = df_daily[df_daily['is_up_limit'] == 1].drop_duplicates('ts_code')
df_daily = pd.merge(df_daily[['ts_code', 'trade_date']], df_basic, on='ts_code')
# 获取机构持股比例
df_holder = pro.top10_holders(ts_code='', end_date='20211231')
df_holder = df_holder[df_holder['holder_name'].str.contains('机构')]
df_holder['hold_ratio'] = df_holder['hold_ratio'] / 100
df_holder = df_holder.groupby('ts_code')['hold_ratio'].sum().reset_index()
# 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) &
(df_price['open'] != 0) &
(df_price['trade'] != 0)], on='ts_code')
df_result = pd.merge(df_result, df_daily, on='ts_code')
df_result = pd.merge(df_result, df_holder[df_holder['hold_ratio'] > 0.5], on='ts_code')
df_result = pd.merge(df_result, df_basic, on='ts_code')
# 返回结果
return df_result[['ts_code', 'symbol', 'market', 'area', 'industry', 'list_date']]
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。 