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、反包的股票。该选股策略希望挑选出振幅大、短期表现好，同时符合反包技术指标的股票。
选股逻辑分析
该选股策略主要以价格波动和技术指标为选股依据。振幅大的股票常常存在价格波动剧烈的机会，涨停则显示股票的热点和市场信心。反包指标则可以较为准确地判断股票未来走势。
有何风险？
该选股逻辑可能存在以下风险：
-
反包指标并非准确的预测方式，存在误判和滞后性等问题。
-
反包指标在市场低迷期可能不适用，导致选股效果欠佳。
如何优化？
以下是对该选股逻辑的优化建议：
-
在反包指标的基础上，加入其他基于技术分析的筛选条件，如均线等。
-
综合考虑股票的基本面和技术面信息，降低误判风险。
-
加入更多的市场传统分析模型、比如金叉死叉等，更为全面判断市场。
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、反包指标大于0的股票。在原有选股逻辑的基础上，加入了反包指标的限制，更为精准地选择有未来涨势的股票。
同花顺指标公式代码参考
反包指标：LLV(MIN(O, REF(O,1)),30) - LLV(MAX(H, REF(H,1)),30)
其中，O表示开盘价，H表示最高价。
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}
anti_package_cond = {"$gt": 0}
cond = {
"$and": [
amplitude_cond,
limit_up_cond,
anti_package_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)",
"LLV(MIN(open_price, REF(open_price, 1)), 30) - LLV(MAX(highest_price, REF(highest_price, 1)), 30)"
],
filter=cond,
data_type=2,
sort=sort_cond
)
# 按照反包指标排序
data.sort(key=lambda x: x["LLV(MIN(open_price, REF(open_price, 1)), 30) - LLV(MAX(highest_price, REF(highest_price, 1)), 30)"], reverse=True)
# 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。注意反包指标的计算方法需要借助自定义指标函数。
## 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。
