问财量化选股策略逻辑
选股逻辑为：振幅大于1、近一个月内有过涨停、10日涨幅大于0小于35。该选股策略希望挑选出振幅大、短期表现好、具有一定成长性的股票。
选股逻辑分析
该选股策略重视振幅、涨幅等技术指标，并考虑了短期表现和成长性。选取10日涨幅大于0小于35的股票，强调了选股标的成长性。
有何风险？
该选股逻辑可能存在以下风险：
-
对技术指标过分关注，忽略了基本面等其他可能影响股票表现的因素。
-
过分追求短期涨幅和成长性，忽略了风险控制和长期回报。
-
可能产生大量交易，造成高成本和低回报。
如何优化？
以下是对该选股逻辑的优化建议：
-
适当增加对股票基本面和市场环境等相关因素的考虑，并加入相应筛选条件。
-
适当加入对价值投资的考虑，强调长期回报和风险控制。
-
适当降低交易频率，避免重复交易和高成本风险。
最终权益选股逻辑
选股策略为：振幅大于1、近一个月内有过涨停、10日涨幅大于0小于35、PEG小于1。在原有选股逻辑的基础上，加入了PEG小于1的条件，综合考虑了股票的价值面和成长性。
同花顺指标公式代码参考
- 振幅：(当日最高价 - 当日最低价) / REF(收盘价, 1)
- PEG：PE / (季度盈利增长率 * 100)
python代码参考
from gm.api import *
set_token("your_token_here")
# 设置回测起点和终点
start_date = "2020-01-01"
end_date = "2022-01-01"
# 获取所有股票
symbols_all = get_symbols(exchanges=["SHSE", "SZSE"], sec_types=["STOCK"], fields=["symbol"])
# 设置选股条件
amplitude_cond = {"$gt": 1}
limit_up_cond = {"$gte": 1}
gain_cond = {"$and": [{"$gt": 0}, {"$lt": 35}]}
peg_cond = {"$lt": 1}
cond = {
"$and": [
amplitude_cond,
limit_up_cond,
gain_cond,
peg_cond
]
}
# 构建排序条件
sort_cond = []
# 获取符合条件的股票历史信息
data = query_history(
symbol=symbols_all,
start_date=start_date,
end_date=end_date,
fields=[
"symbol",
"limit_status",
"(highest_price - lowest_price) / REF(close_price, 1)",
"peg"
],
filter=cond,
data_type=2,
sort=sort_cond
)
# 按照PEG排序
data.sort(key=lambda x: x["peg"], reverse=False)
# 选取前100名
data = data[:100]
# 获取符合条件的股票代码
symbols_selected = [s["symbol"] for s in data]
print(symbols_selected)
通过 Query API 查询股票历史信息，并根据选股条件筛选出符合条件的股票代码。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。
