问财量化选股策略逻辑
选股逻辑：振幅大于1%, 北京A股除外, 换手率3%-12%。
选股逻辑分析
该选股策略结合了股票波动和流动性的因素，通过限制振幅和地域以及选取合适的换手率区间来筛选股票。适用于中至长期投资策略。该策略主要通过振幅排除过于波动的股票，通过区间排除流动性过强或者过弱的股票，从而筛选出基本面和估值均衡的股票。
有何风险？
该选股逻辑可能存在以下风险：
- 忽略了公司的基本面和未来增长性，可能会导致股票的风险增加；
- 对于换手率，仅仅限制在区间范围内，可能忽略了个别股票的交易性质，存在筛选出流动性并不足够的股票的风险；
- 振幅大小并不是稳定的指标，可能会产生过分依赖的情况；
- 忽略了其他技术指标的预判，更加侧重于股票的流动性和风险，存在一定的主观判断。
如何优化？
为了改进该选股策略，可以考虑以下方面：
- 添加其他技术指标作为辅助，结合流动性和估值因素来提高选股策略的准确性和稳定性；
- 增加对公司的财务指标、行业景气度、管理水平、未来前景的评估，可得到额外的权值；
- 考虑加入基于市场需求的指标，以确认选定股票实际的买卖能力和风险；
- 制定规则来确保选股策略的长期稳健，避免出现过度风险的情况。
最终的选股逻辑
经过改进后的选股逻辑如下：
- 振幅大于1%, 北京A股除外；
- 选取换手率在3%-12%之间的股票，通过买盘和卖盘的规律来选股；
- 选取相对于股票当前市价的偏移程度小于±2%的股票；
- 增加对公司的财务指标、行业景气度、管理水平、未来前景的评估可得到额外的权值。
- 添加基于市场需求的指标，即选取市盈率在相似行业股票的均值上下波动5%左右的股票。
同花顺指标公式代码参考
选股逻辑的同花顺指标公式如下：
NVI:M199,MA(4),MA(26);
选股公式:MAX(MA(5)/MA(60),NVI/MV)+MA(5)/MA(60)>=2 AND ABS((CLOSE-MA(CLOSE,20))/MA(CLOSE,20))<0.05 AND (CAMRANK(CLOSE,21)+5)*0.5>=80 AND CAPITALIZATION<=10000000000;
python代码参考
选股逻辑的python代码如下：
def liquidity_picker(context):
# 振幅大于1%, 北京A股除外
narrow_stocks = context.narrow_stocks[((context.narrow_stocks.high / context.narrow_stocks.low) - 1) > 0.01]
exclude_bj_stocks = narrow_stocks[narrow_stocks.area != '北京']
# 选取换手率在3%-12%之间的股票，通过买卖盘的规律来选股
liquidity_stock = exclude_bj_stocks[context.stock_api.quote(context.stock_api.get_trade_days(end_date=context.current_date, count=10))['turnover_rate'] > 3]
liquidity_stock = liquidity_stock[context.stock_api.quote(context.stock_api.get_trade_days(end_date=context.current_date, count=10))['turnover_rate'] < 12]
# 选取相对于股票当前市价的偏移程度小于±2%的股票
selected = liquidity_stock[((liquidity_stock.price - ta.MA(liquidity_stock.price, timeperiod=60)) / ta.MA(liquidity_stock.price, timeperiod=60)).abs() < 0.02]
# 增加对公司的财务指标、行业景气度、管理水平、未来前景的评估
selected = selected.sort_values('score', ascending=False).reset_index()
selected.loc[:, 'score'] += 10 * (selected['PB'] - ta.MA(selected['PB'], timeperiod=5))
selected.loc[:, 'score'] += 10 * (selected['PE'] - ta.MA(selected['PE'], timeperiod=5))
# 添加基于市场需求的指标
selected.loc[:, 'score'] += 5 * (selected['PE'] - selected.groupby('industry')['PE'].transform('mean')).abs() / selected.groupby('industry')['PE'].transform('mean')
selected = selected.sort_values('score', ascending=False)
return selected.index.tolist()
## 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。
