问财量化选股策略逻辑
该选股策略包括三个条件：
- 振幅大于1；
- 至少5根均线重合；
- 股票代码以60开头。
选股逻辑分析
相较于上一个选股逻辑，这里加入了股票代码以60开头的条件，可能更加注重选择次新股和某些特定股票，同时保留了振幅和均线的选股条件，适用于一定红利期和市场热点产品的选股。
有何风险？
该选股逻辑依旧忽略了股票的财务数据、产业情况和公司治理等基本面的因素，而且过于依赖股票代码，可能会漏选一些高质量股票。同时，如果选股时间点不当，某些股票较长时间不能满足条件，可能被漏选带来一定风险。
如何优化？
可以加入股票基本面和行业研究等因素，比如市盈率、市净率、财务数据等，以更准确地判断股票质量和发展前景。另外，可以引入其他技术指标如RSI、MACD等，进行辅助判断股票的市场走势和强弱程度。同时也要兼顾不同板块的走势和热点，以及不同的选股目标和投资策略，在不同市场情况下进行灵活调整。
最终的选股逻辑
基于上述的分析和优化，我们建议选股策略逻辑为：
- 振幅大于1；
- 至少5根均线重合；
- 股票代码以60开头；
- 加入所需的基本面和行业研究等条件；
- 引入其他技术指标进行辅助判断。
同花顺指标公式代码参考
- 振幅：(最高价-最低价)/收盘价
- 均线：MA(CLOSE，N)
python代码参考
import pandas as pd
import tushare as ts
import talib
def get_stock_pool(date, low_price, ma_count):
# 获取所有股票代码
df = ts.get_stock_basics()
codes = df.index.tolist()
result = pd.DataFrame()
for code in codes:
# 股票代码以60开头
if code[:2] != '60':
continue
# 振幅大于1
bars_all = ts.get_hist_data(code, start='2021-01-01')
close = bars_all['close'].values
high = bars_all['high'].values
low = bars_all['low'].values
amplitude = (high - low) / close
if amplitude[-1] < 0.01:
continue
# 均线
ma_5 = talib.MA(close, timeperiod=5)
ma_10 = talib.MA(close, timeperiod=10)
ma_20 = talib.MA(close, timeperiod=20)
ma_count = len(set([ma[-1] for ma in [ma_5, ma_10, ma_20]]))
if ma_count < 5:
continue
# 加入所需的基本面和行业研究等条件
# 选出的股票加入结果中
price = close[-1]
if price < low_price[0] or price > low_price[1]:
continue
result = result.append({'code': code, 'name': df.loc[code]['name'], 'price': price, 'vol': df.loc[code]['volume']},ignore_index=True)
result = result.sort_values(by=['vol'], ascending=False)
return result
注：代码仅供参考，具体选股逻辑和细节可根据实际需求进行调整。
## 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。
