问财量化选股策略逻辑
本选股策略选取振幅大于1，(昨日换手率*(今日竞价成交量/昨日成交量))在0.5到2之间，并且股票代码以60开头的股票。这些条件可以筛选出价格波动性和交易活跃度较好，而且是60开头的股票。
选股逻辑分析
本选股策略结合了股票价格波动情况和交易活跃度，考虑了振幅、换手率、竞价成交量，并且选择股票代码以60开头的股票。这些条件可以筛选出价格波动性好、交易活跃度高、市值较小、但是风险较高（因为60开头的股票大多数是ST股票）的股票。
有何风险？
本选股策略仅考虑了价格波动情况和交易活跃度，并且只选择以60开头的股票，没有考虑股票基本面和财务数据等因素。同时，60开头的股票大多数是ST股票，具有较大的风险。因此，此选股策略具有一定的投资风险。
如何优化？
为减少风险和提高选股的科学性，可以在选股策略中引入基本面和财务数据等因素，结合技术指标和投资策略，构建综合考虑多种因素的选股策略。
同时，为了减少选择到ST股票，可以选择其他股票代码范围，比如不选择ST股票。另外，可以加入对股票流通性的考虑，比如过高过低的股权集中度、大股东的增减持情况等，以减少因大量买入或卖出而导致的市场风险。
最终的选股逻辑
本选股策略选取振幅大于1，(昨日换手率*(今日竞价成交量/昨日成交量))在0.5到2之间，并且股票代码不为ST股票。在此基础上，可以引入基本面和财务数据等因素，结合技术指标和投资策略，构建综合考虑多种因素的选股策略。
同花顺指标公式代码参考
无法给出代码，因为选股策略中并没有引入具体的技术指标。
Python代码参考
import tushare as ts
pro = ts.pro_api()
def select_stocks(n):
selected_stocks = []
for code in pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,list_date,list_status,total_mv,circ_mv')["ts_code"]:
if len(selected_stocks) >= n:
break
if code.startswith('60'):
continue
db = pro.daily(ts_code=code, start_date=(datetime.now() - timedelta(days=365)).strftime("%Y%m%d"),
end_date=datetime.now().strftime("%Y%m%d"), fields='open,high,low,close,vol,trade_date')
if db.empty or len(db) < 5:
continue
db['high_limit'] = db['close'].rolling(25).max()
db_selected = db[(db['high_limit'] > 0) & (db['amplitude'] > 1) &
(db['turnover_volume'].shift(2) * (db['jy_notional'] / db['yesterday_notional']) > 0.5) &
(db['turnover_volume'].shift(2) * (db['jy_notional'] / db['yesterday_notional']) < 2) &
(db['trade_date'] == (datetime.today() - timedelta(days=1)).strftime("%Y%m%d"))]
if not db_selected.empty:
selected_stocks.append({'code':code, 'last_close': db.iloc[-1]['close']})
# 根据收盘价排序选择前n个股票
df = pd.DataFrame(selected_stocks)
df_selected = df[df['code'].apply(lambda x: not x.startswith('6'))].sort_values('last_close', ascending=False)[:n]
selected_stocks = list(df_selected['code'])
return selected_stocks
## 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。
