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, 连续5年ROE＞15%。
选股逻辑分析
该选股逻辑在原有选股逻辑的基础上新增了ROE指标，通过这一指标来筛选出公司具有持续性盈利能力较强的股票。整个选股逻辑的核心在于选择RSI指标和换手率等因素来筛选低估股票，同时通过ROE来筛选具备长期投资价值的公司股票。
有何风险？
该选股逻辑同样存在指标不够全面、单个指标滞后性以及过度依赖条件选股等问题，可能会错过一些潜在的投资机会。此外，ROE只是公司盈利能力的一个方面，且该指标容易受到公司财务报告的影响，可能存在信息质量不足的问题。
如何优化？
同样可以适当增加选股指标，如市盈率、市净率等单项指标，同时也可以采用综合性指标来筛选正负面因素，提高选股准确性。可以加入资产负债率、营业收入增长率等基本面指标；同时可以考虑加入趋势分析等技术分析的指标来辅助判断。从时间跨度上考虑，可以适当增加ROE的时间跨度，进一步提高选股的可靠性和稳定性。
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, 连续7年ROE＞15%。
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: COUNT(LASTYEAR(ROE) > 15 AND MIDDLEYEAR(ROE) > 15 AND FIRSTYEAR(ROE) > 15, 5) >= 5
...
SELECT IF(XG1 AND XG2 AND XG3, 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='20211008', fields='ts_code,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='20211008',
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')
# 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(5, min_periods=5).apply(lambda x: (x > 0.15).all())
df_roe = df_roe.reset_index()
df_roe.columns = ['ts_code', 'roe']
# 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_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。 