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、市盈率PE大于0。该选股策略结合了股票价格波动、市场情绪、以及基本面等因素，通过选取股票价格趋势和市场反应较好，且符合基本面条件的股票来获取投资回报。
选股逻辑分析
振幅大于1体现了股票价格波动幅度较大，且近一个月内有过涨停表明当前市场情绪较好，市盈率大于0表明股票的基本面较好。这三个因素的结合选择了价格波动性好、市场情绪积极、并且可以通过基本面支撑的品种，提高了投资回报。
有何风险？
该选股策略可能存在以下风险：
-
忽视公司内部情况、行业环境等因素，可能遗漏潜在的风险。
-
PE指标按照市场预期值进行计算，如果预期不准确，会影响选股结果。
-
只根据过去价格波动和市场情绪，忽视未来的市场变化，可能导致选股不够理想。
如何优化？
以下是优化该选股策略的方法：
-
引入更多的股票基本面和财务指标，以更全面的方式考虑股票的未来增长性。
-
对于PE指标，可以结合PEG指标（市盈率除以每股收益增长率）进行选股，避免过分依赖PE值，以减少选股风险。
-
综合考虑多种技术面因素，并通过技术面趋势确认股票价格趋势。
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，市盈率大于0并结合PEG指标（市盈率除以每股收益增长率）进行选股，同时可通过加入其他条件进行筛选，如MACD等指标。
同花顺指标公式代码参考
- 振幅：(HIGH - LOW) / REF(CLOSE, 1)
- PEG：PE / REF(EG, 1)
- MACD：MACD(DIF, DEA, 12, 26, 9)
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"
# 设置选股条件
amplitude_cond = {"$gt": 1}
limit_up_cond = {"$gte": 1}
pe_cond = {"$gt": 0}
eg_cond = {"$gt": 0}
peg_cond = {"$lt": 1}
# 加入MACD条件
dif, dea, macd = MACD(CLOSE, 12, 26, 9)
macd_cond = {"$gt": 0}
# 获取主板所有股票
symbols_all = get_symbols(exchanges=["SHSE"], sec_types=["STOCK"], names=["A股"], list_status=["L"])
# 构建选股查询条件
cond = {"$and": [amplitude_cond, limit_up_cond, pe_cond, eg_cond, peg_cond, macd_cond]}
# 获取满足条件的股票代码
symbols_selected = [s["symbol"] for s in query_history(
symbol=symbols_all,
start_date=start_date,
end_date=end_date,
fields=["symbol", "PE", "EPS"],
filter=cond,
data_type=2
)]
print(symbols_selected)
该代码通过 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。
