问财量化选股策略逻辑
该选股逻辑共包含三个条件：
- 振幅大于1
- 昨天3连板
- 反包
选股逻辑分析
振幅大于1是希望能找到波动较大的股票，昨天3连板则是希望找到昨天刚刚热度开始增加的股票，反包则是希望找到价格反转的股票。这三个条件结合起来，可能会找到一些价格刚刚反转且波动比较大的潜在机会股。
有何风险？
该策略依然只考虑了股票的价格波动和短期热门程度，和价格反转情况，并未考虑股票的基本面信息。选股的结果也可能会有一定的偏差，存在较大的风险。
如何优化？
针对该风险，可以加入更多变量和指标，如PE、PB、市值等基本面指标，和技术指标如MACD、RSI等一起进行多角度综合考虑，才能更加全面地选取出具备持续上涨潜力的股票。
最终的选股逻辑
结合上述风险和优化，最终的选股策略可以进行如下更正：
- 振幅大于1，市场对波动较大的股票更感兴趣。
- 昨天3连板，寻找当前热门概念的热门个股。
- 反包，选取具备价格反转潜力的股票。
同花顺指标公式代码参考
LOW = REF(LOW,1);
CLOSE = REF(CLOSE,1);
UP1 = MAX(HIGH-CLOSE,0);
DOWN1 = MAX(CLOSE-LOW,0);
TR1 = MAX(MAX(HIGH-LOW,ABS(HIGH-REF(CLOSE,1))),ABS(LOW-REF(CLOSE,1)));
VAR1 = SUM(TR1,N);
VAR2 = SUM(ABS(CLOSE-REF(CLOSE,1)),N);
BIAS = VAR1/VAR2;
python代码参考
low = df['low']
close = df['close']
high = df['high']
low_ref1 = low.shift(1)
close_ref1 = close.shift(1)
up1 = pd.DataFrame({'high': high, 'close_ref1': close_ref1}).max(axis=1) - close_ref1
down1 = close_ref1 - low_ref1
tr1 = pd.DataFrame({'up1': up1, 'down1': down1, 'high': high, 'close_ref1': close_ref1}).max(axis=1)
var1 = tr1.rolling(window=N).sum()
var2 = abs(close - close_ref1).rolling(window=N).sum()
bias = var1 / var2
## 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。
