问财量化选股策略逻辑
选股逻辑：元宇宙行业、量比大于1.5、量比小于6、底部抬高的股票。
选股逻辑分析
该选股策略在保持原有量比范围基础上，加入底部抬高的条件，即上涨趋势明显，可以通过技术分析的方法轻易判断出走势，风险相对较小。
有何风险？
该选股策略仍然忽略了公司基本面的考虑，仅关注走势性指标。同时，底部抬高的过程可能受到其他市场因素影响，需要结合宏观经济和市场预期进行判断。
如何优化？
可以加入更多的基本面指标，如市值、财务表现、经营状况、技术指标等，以提高选股精度。同时，结合市场预期并根据实际情况调整选股策略。
最终的选股逻辑
选股逻辑：元宇宙行业、量比大于1.5、量比小于6、底部抬高、市值小于200亿的股票。
同花顺指标公式代码参考
通达信代码：
SELECT STOCK_CODE FROM XX WHERE HY = 'C010103' AND VOLUME_RATIO > 1.5 AND VOLUME_RATIO < 6 AND BOTTOM_UP > 0 AND MARKET_VALUE / 100000000 < 200;
python代码参考
import tushare as ts
def get_stock_data():
gg_stocks = ts.get_zz500s()
gg_stocks = gg_stocks[gg_stocks['industry'] == '元宇宙']
# 获取符合条件的股票
df = ts.pro_bar(api=ts.get_apis(), ts_code='', freq='daily', start_date='', end_date='', ma=[5, 10, 20], factors=['vr'], adj='qfq')
# 计算底部抬高，并筛选股票
df['bottom_up'] = df['low'].rolling(20).min().shift(-20) / df['low']
df = df[df['volume_ratio']>1.5 & df['volume_ratio']<6 & df['bottom_up']>1 & df['code'].isin(gg_stocks['code'])]
df_2 = ts.get_stock_basics()
df_2 = df_2[df_2['code'].isin(df['code'])]
df_2 = df_2[df_2['circulating_market_cap'] / 100000000 <= 200]
# 合并数据，返回结果
res = pd.merge(df[['name', 'code', 'volume_ratio', 'turnover_ratio', 'bottom_up']], df_2[['name', 'code', 'circulating_market_cap', 'pe', 'roe', 'net_profits', 'rev']], on=['name', 'code'], how='inner')
res = res.rename(columns={'circulating_market_cap': '流通市值', 'pe': '市盈率', 'roe': 'ROE', 'net_profits': '净利润', 'rev': '营收增长率', 'volume_ratio': '量比', 'turnover_ratio': '换手率'})
return res
print(get_stock_data())
## 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。
