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KDJ指标刚形成金叉的股票。这些条件可以筛选出波动性较好、交易活跃度高、且技术分析方面有一定支撑的股票。
选股逻辑分析
本选股策略结合了股票价格波动情况、交易活跃度和技术分析因素，根据振幅、换手率、竞价成交量、KDJ指标等选取股票，利用技术分析判断股票看涨，具有一定的科学性与合理性。
有何风险？
由于本选股策略只考虑了部分财务和市场技术分析因素，没有综合考虑多种因素，因此存在较大的局限性。在投资时，应该考虑更多的股票基本面和财务数据等因素。
此外，本选股策略只考虑了KDJ指标、振幅、交易活跃度等几个技术指标，可能忽略了其他技术分析因素。因此，需要进一步细化技术指标相关的选股条件。
如何优化？
应该在考虑股票价格波动情况、交易活跃度和技术分析因素的基础上，进一步细化选股条件。比如可以加入相对强弱指标、成交量等因素，同时结合基本面和财务数据，构建综合考虑多种因素的选股策略。
此外，可以考虑引入机器学习等技术，优化选股策略。
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KDJ指标刚形成金叉的股票。在此基础上，可以加入相对强弱指标、成交量等因素，同时结合基本面和财务数据，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
通达信指标公式：KDJ（9，3，3）的K线在D线之上,且KDJ（9，3，3）的K线的值刚好大于D线的值
Python代码参考
import tushare as ts
import pandas as pd
import numpy as np
import talib
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
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,total_mv,circ_mv')
if db.empty or len(db) < 250:
continue
# 筛选条件
db['amplitude'] = (db['high'] - db['low']) / db['pre_close']
db['turnover_volume'] = (db['turnover_rate'] * db['vol'] / 100) # 换手量
db['yesterday_notional'] = db['pre_close'] * db['vol'] / 10000 # 昨日成交额
db['jy_notional'] = db['open'] * db['vol'] / 10000 # 竞价成交额
db['hy_notional'] = db['close'] * db['vol'] / 10000 # 当日盘中成交额
db['kdjj'], db['kdjd'], db['kdjk'] = talib.STOCH(db['high'].values, db['low'].values, db['close'].values, fastk_period=9, slowk_period=3, slowd_period=3)
db['kdj_gold_cross'] = (db['kdjk'] > db['kdjd']) & (db['kdjk'].shift(1) < db['kdjd'].shift(1))
db_selected = db[(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['kdj_gold_cross']) &
(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.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。
