问财量化选股策略逻辑
选股逻辑：振幅大于1, K线小于20, 元宇宙。
选股逻辑分析
与上一个选股逻辑相比，增加了元宇宙的指标。在这种情况下，选股逻辑是基于技术指标和最新热点的分析来选择股票。其中，振幅大于1表示该股票波动范围较大，K线小于20表示超卖状态，而元宇宙意味着该股票属于最新的热点领域。这样综合考虑技术指标和市场情况，有望找到最具投资价值的股票。
有何风险？
与所有技术指标选股一样，该选股策略忽略了股票的基本面情况。另外元宇宙指标是市场趋势敏感的指标，具有一定的过热风险，并且在某些时期可能出现失效的情况。因此，该选股逻辑并不能保证避免潜在风险或损失的可能性。
如何优化？
可以考虑增加基本面指标和关注更多的新领域，以提高选股效果。此外，需要对指标权重和股票池进行合理的调整，以应对市场波动和趋势变化。可以利用回测结果来评估和优化这个选股策略，以实现长期的投资收益。
最终的选股逻辑
在综合考虑以上分析基础上，我们提出完善后的选股逻辑：
- 振幅大于1；
- K线小于20；
- 元宇宙。
同花顺指标公式代码参考
以下是该选股策略在同花顺中的指标公式代码：
C:REF(CLOSE,1);
D:(HIGH-LOW)/C;
F:KDJ(9,3) < 20; // K线小于20
FILTER:F AND D>0.01 AND 万物头条; // 元宇宙
其中，KDJ 是K线指标, REF()用于获取前一交易日收盘价等数据。 万物头条是一个代表元宇宙概念的指标。
Python 代码参考
以下是 Python 实现该策略的选股逻辑：
# 数据预处理部分
close = dv.get_ts('close', symbol=symbols)
high = dv.get_ts('high', symbol=symbols)
low = dv.get_ts('low', symbol=symbols)
df_pct_chg = close.pct_change()
df_pct_chg[df_pct_chg.isna()] = 0
ta_func_kdj = Ta('KDJ', 9, 3, high, low, close)
kdj_filter = ta_func_kdj.iloc[-1,:] < 20
meta_universe_filter = dv.get_ts('万物头条', date_type='datetime').iloc[-1,:] == 1
amp_filter = (high / low - 1) > 0.01
selected_stocks = ((amp_filter & kdj_filter) & meta_universe_filter).sort_values(ascending=False)
return selected_stocks.index.tolist()
通过 Python 实现该策略的选股逻辑，同样利用 TA-Lib 库函数以及其他指标计算 K线和元宇宙指标。同时也关注指标之间的权重关系和选股池的变化，尽可能地减少风险。
## 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。
