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，按个股热度从大到小排序。该选股策略结合了股票价格波动、市场情绪等因素，通过选取价格波动较大、市场情绪积极的个股，并按照市场关注度排序，提高了选股结果的可信度。
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。按照个股热度从大到小排序，可以筛选出受到市场关注度较高的个股。这两个因素的结合选出了价格波动性好、市场情绪积极、并且备受市场关注的个股，提高了选股的可信度。
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。
-
添加个股热度排序条件，可能会造成选股结果集中在少数热门股票上，存在过度集中风险。
-
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。
-
在保证选股稳健性的前提下，适当降低热度排序的权重，避免过度集中在少数热门股票上。
-
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，按个股热度从大到小排序，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)
- 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"
# 获取主板所有股票
symbols_all = get_symbols(exchanges=["SHSE"], sec_types=["STOCK"], names=["A股"], list_status=["L"])
# 设置选股条件
amplitude_cond = {"$gt": 1}
limit_up_cond = {"$gte": 1}
# 加入MACD条件
dif, dea, macd = MACD(CLOSE, 12, 26, 9)
macd_cond = {"$gt": 0}
# 构建排序条件
sort_cond = [("hot_rank", 1)]
# 构建选股查询条件
cond = {"$and": [amplitude_cond, limit_up_cond, macd_cond]}
# 获取满足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", "hot_rank", "PE", "EPS"],
filter=cond,
data_type=2,
sort=sort_cond
)
# 获取符合条件的股票代码
symbols_selected = [s["symbol"] for s in data]
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，并按照个股热度排序。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。
