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、底部抬高的股票。该选股策略希望挑选出振幅大、短期表现好且处于低位的股票。
选股逻辑分析
该选股策略主要以价格波动和技术形态为选股依据。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。底部抬高则表明股票处于一段时间的底部区间，并且正在向上反转。
有何风险？
该选股逻辑可能存在以下风险：
-
底部抬高的判断条件可能存在主观性，不同人对于底部抬高的定义可能不同。
-
底部抬高是一种短期技术形态，可能对于中长期投资者不太适用。
如何优化？
以下是对该选股逻辑的优化建议：
-
调整技术形态的选取范围或使用其他技术形态，以期更加准确的筛选出处于低位的股票。
-
在选股策略中加入其他的基本面和市场情报数据作为参考。
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、底部抬高的股票。在原有选股逻辑的基础上，加入了底部抬高的判断条件。
同花顺指标公式代码参考
底部抬高指标：(LOW-REF(LOW, 1))/(HIGH-LOW)*100
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}
bottom_up_cond = {"$gte": 5}
cond = {
"$and": [
amplitude_cond,
limit_up_cond,
bottom_up_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",
"(low_price-REF(low_price, 1))/(high_price-low_price)*100"
],
filter=cond,
data_type=2,
sort=sort_cond
)
# 按照指标排序
data.sort(key=lambda x: x["(low_price-REF(low_price, 1))/(high_price-low_price)*100"])
# 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。注意底部抬高指标的计算需要使用通达信公式，即将当天最低价与前一天最低价相减再除以当天最高价减去当天最低价，最后乘以100。
## 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。
