问财量化选股策略逻辑
选股逻辑：振幅大于1,100亿市值以内的无亏损企业,KDJ刚形成金叉。
选股逻辑分析
该选股逻辑同样考虑了技术分析、基本面分析、资金流向和市场热度等多方面因素。振幅和市值分析符合技术分析的思路，无亏损企业分析符合企业基本面的筛选，KDJ指标的金叉则考虑了技术分析中的趋势翻转策略。
有何风险？
该选股逻辑可能存在以下潜在风险：
- 过于关注技术指标，忽略其他因素导致整体风险偏高；
- 基于趋势翻转策略的选股，容易被市场短期波动左右。
如何优化？
为了优化该选股逻辑，可以考虑以下方面进行改进：
- 加入更多基本面指标，如财务报表等，以全面了解企业价值；
- 增加新的市场情绪指标或舆情分析，对市场情绪变化及时跟踪和跟进；
- 降低个股仓位和设置止损策略，控制风险；
- 考虑添加其他技术指标（如MACD等）。
- 加入证券强弱指标等刻画市场分级情况的指标。
最终的选股逻辑
经过改进后的选股逻辑如下：
- 振幅大于1%;
- 100亿市值以内的企业；
- 最近四个季度净利润均为正数；
- KDJ指标形成金叉；
- 加入基本面和市场情绪指标；
- 控制个股仓位和止损。
同花顺指标公式代码参考
该选股逻辑的同花顺指标公式如下：
SELECT (HIGH-LOW)/REF(CLOSE,1) > 0.01 AND CAPITALIZATION<=100 AND AVERAGE(NET_PROFIT)>0 AND KDJ_J > KDJ_K AND REF(KDJ_J,1) <= REF(KDJ_K,1) AND REF(KDJ_J,2) > REF(KDJ_K,2)
python代码参考
import pandas as pd
import re
from tqsdk import TqApi, TqAuth, TargetPosTask
api = TqApi(auth=TqAuth("YOUR_ACCOUNT", "YOUR_PASSWORD"))
symbol_list = api.query_quotes()["codes"]
pattern = re.compile("B")
for symbol in symbol_list:
df = api.get_kline_serial(symbol=symbol, duration_seconds=300, data_length=300)
# 振幅和技术面筛选
C1 = (df['high'] - df['low']) / df['close'].shift(1) * 100 > 1
# 基本面筛选
# 100亿市值以内的企业
C2 = api.get_quote(symbol).capitalization <= 100_0000_0000
# 最近四个季度净利润均为正数
C3 = all(api.financials(symbol).profit.loc[api.financials(symbol).profit.index >= '2020-01-01'] > 0)
# 技术面筛选
# KDJ指标形成金叉
C4 = df['kdj_j'] > df['kdj_k'] and df['kdj_j'].shift(1) <= df['kdj_k'].shift(1) and df['kdj_j'].shift(2) > df['kdj_k'].shift(2)
# 加入其他指标
C5 = ...
# 风险控制选股
selector = C1 & C2 & C3 & C4 & C5
if selector:
result.append(symbol)
## 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。
