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、100亿市值以内的无亏损企业。该选股策略希望挑选出振幅大、短期表现好、市值适中、无亏损记录的优质企业。
选股逻辑分析
该选股策略重视振幅、涨幅等技术指标，并考虑了企业的价值与质量。选取100亿市值以内的企业，强调了市值适中的企业选择标准，同时也强调了选股标的企业质量与盈利能力。
有何风险？
该选股逻辑可能存在以下风险：
-
追求市值适中可能忽略了小市值和大市值股票的表现。
-
忽略了股票的行业和其他相关因素对表现影响，可能存在单一化策略的风险。
-
可能忽略了长期财务情况和管理能力的考虑。
如何优化？
以下是对该选股逻辑的优化建议：
-
在控制市值的同时，加入其他因素如一季度营业收入增长率等，优化企业质量筛选条件。
-
适当加入对行业和市场环境的考虑，减少市场行情不利偏好产生的风险。
-
综合考虑短期表现和长期质量，避免简单追求短期表现和市值等参数的指标。
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、市值在50亿至200亿之间、最近一季度净利润为正数。在原有选股逻辑的基础上，加入了最近一季度净利润为正数的条件，综合考虑了企业质量与盈利情况。
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)
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}
market_cap_cond = {"$and": [{"$gte": 5000000000}, {"$lte": 20000000000}]}
profit_cond = {"inc_net_profit_qoq": {"$gte": 0}}
cond = {
"$and": [
amplitude_cond,
limit_up_cond,
market_cap_cond,
profit_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)",
"market_cap",
"inc_net_profit_qoq"
],
filter=cond,
data_type=2,
sort=sort_cond
)
# 按照市值排序
data.sort(key=lambda x: x["market_cap"], 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。
