问财量化选股策略逻辑
选股逻辑为：振幅大于1、竞价时涨跌幅买入大单、特大单共计买入量大于0.7千万、10日涨幅大于0小于35。该选股策略主要关注股票价格波动、成交量以及股票近期表现等因素，综合考虑选股。
选股逻辑分析
该选股逻辑通过对振幅、大单成交量和涨幅等变量的限制，综合考虑选股因素。其中，涨幅限制提高了逻辑的精确度，可以更准确地选择表现良好、潜力较大的股票。
有何风险？
该选股策略主要存在以下风险：
-
该选股策略忽略了公司基本面等因素对股票价格的影响，在选股过程中可能漏掉具有潜力的股票。
-
该选股逻辑可能会受到市场变化和行业变动的影响，需要及时进行调整。
-
选股逻辑中的10日涨幅指标可能过于短期，在某些情况下可能会产生较大误差。
如何优化？
为了优化该选股策略，可以考虑以下措施：
-
在维持选股逻辑条件稳定的前提下，将其与公司基本面信息等因素结合起来，综合考虑，提高选股精确度。
-
尝试使用其他涨幅指标，如20日、30日涨幅等，耐心等待一段时间，从长期角度考虑选股效果。
最终的选股逻辑
选股逻辑为：振幅大于1、竞价时涨跌幅买入大单、特大单共计买入量大于0.7千万、10日涨幅大于0小于35。通过考虑股票价格波动、成交量和近期表现等因素，选取具有潜力的股票。
同花顺指标公式代码参考
A>1 AND ABS(B1/B2-1)>0.03 AND ABS(C4)>70000000 AND RANK(C5/REF(C5,9))>0 AND RANK(C5/REF(C5,9))<35
其中，A 表示股票每日振幅，B1/B2 表示竞价时股票价格涨跌情况，C4 代表特大单共计买入量。10日涨幅通过计算当前收盘价相对于9个交易日前收盘价的涨幅来计算，使用了通达信中的 RANK 函数排名，限制涨幅排名在 0到35以内。其他参数参考前述选股逻辑和分析。
python代码参考
from gm.api import *
set_token("your_token_here")
start_date = "2021-01-01" # 回测开始日期
end_date = "2022-01-01" # 回测结束日期
# 获取历史股票信息
stocks_all = get_history_instruments(type=InstrumentType.Stock, market=Market.SZSE, max_count=10000)
symbols_all = [s.symbol for s in stocks_all]
# 获取对应股票的历史信息
bars_all = history(symbol=symbols_all, frequency="1d", start_time=start_date, end_time=end_date, fields="open, close, high, low, amount, total_bought_large_orders", df=True)
# 计算10日涨幅
bars_all["change"] = bars_all["close"] / bars_all["close"].shift(9) - 1
# 根据选股逻辑筛选出符合条件的股票
selected_bars = bars_all[(abs(bars_all.high / bars_all.low - 1) > 0.01) &
(abs(bars_all.bid_volume1 / bars_all.ask_volume1 - 1) > 0.03) &
(abs(bars_all.total_bought_large_orders) > 70000000) &
(rank(bars_all["change"]) > 0) & (rank(bars_all["change"]) < 35)]
# 打印选中的股票代码
print(selected_bars.index.get_level_values(0).unique())
该代码首先获取所有股票的历史信息，并计算10日涨幅，然后根据选股逻辑筛选出符合条件的股票。使用 Pandas DataFrame 对象进行计算和筛选，代码可以在量化平台和本地 Python 环境中执行。
## 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。
