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、100亿市值以内的无亏损企业。该选股策略主要关注股票价格波动、成交量、市值和企业盈利能力等因素，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、市值和企业盈利能力等变量的限制，综合考虑选股因素。其中，要求符合导致了逻辑更为严格，在保证高波动性和较大成交量的同时，还需要考虑企业财务状况和市值情况。
有何风险？
该选股策略主要存在以下风险：
-
不考虑公司未来的定位和资本市场的变化可能导致选股策略效果较差。
-
忽略了宏观经济因素、政策变化等其他因素，导致选股策略失效。
-
对于行业集中度较高的股票池来说，该选股策略能够筛选出的股票数量较少。
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，再次放宽每个条件的限制，提高选股数量，增加多元化投资。
-
将当前选股条件与宏观经济趋势、市场行情等其他因素结合起来，综合考虑，提高选股精度。
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、100亿市值以内的无亏损企业。通过考虑股票价格波动、成交量、市值和盈利能力等因素，选取适合投资的公司。
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 C1<=100 AND C8>0
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。C1 代表股票市值，C8 代表企业利润。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, market_cap, net_profit", df=True)
# 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) &
(bars_all.market_cap <= 10000000000) &
(bars_all.net_profit > 0)]
# 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，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。
