问财量化选股策略逻辑
选股逻辑：振幅大于1、K线小于20、圆弧形进行选股。
选股逻辑分析
该选股逻辑在原有基础上加入了圆弧形指标，相比于传统K线指标，圆弧形因更加关注价格波动中的具体变化情况，进一步提高了选股精度。同时，振幅和K线也都是较为常见的技术指标，在使用过程中有较好的可行性。
有何风险？
该选股逻辑仍然较为依赖技术面指标，考虑因素相对简单，忽略了一些宏观经济因素和市场情况的考量，因此在市场波动剧烈或者经济环境有重大变化时，效果可能不佳。另外圆弧形技术指标依赖于足够的历史数据积累，如果数据不足或者不真实，结果也可能不准确。
如何优化？
可以考虑增加对其他非技术面指标的关注，如公司基本面和财务状况等。也可以在选股逻辑中增加更多的数据分析和处理方法，比如增加风险控制因素、更细致地考量行业特征等，以提高准确度和实用性。
最终的选股逻辑
改进后的选股逻辑如下：
- 振幅大于1；
- K线小于20；
- 通过圆弧形技术指标筛选出价格波动更符合买入条件的股票；
- 监测财务和基本面状况，挑选出业绩稳定、有潜力的股票；
- 注意市场宏观因素，尽量避免因宏观因素而产生不良影响；
- 掌握国际政治、经济形势，了解主要风险因素，更加准确定位股票走势。
同花顺指标公式代码参考
以下是在同花顺上实现该选股策略的指标公式代码：
C1:=TSL*0.999/UPL>1.01 OR TSL*0.999/UPL<0.99 ;
C2:=VOL>REF(VOL,1);
C3:=(LOW-REF(LOW,5))*100/LOW>7;
C4:=(HIGH-LOW)*100/HIGH<7;
SELECTOR:=C1 AND C2 AND C3 AND C4;
RESULT:=SELECTOR;
其中，TSL代表圆弧形指标，UPL为MA(TSL, U)，VOL为成交量。
Python代码参考
以下是Python实现该选股策略的选股逻辑：
# 计算指标
tsl = df.apply(lambda x: talib.TSL(x['high'], x['low'], x['close'], 28) ,axis=1)
upl = talib.MA(tsl, timeperiod=28)
selector1 = ((tsl * 0.999 / upl) > 1.01) | ((tsl * 0.999 / upl) < 0.99)
selector2 = df['vol'] > df['vol'].shift(1)
selector3 = ((df['low'] - df['low'].shift(5)) * 100 / df['low'] > 7)
selector4 = ((df['high'] - df['low']) * 100 / df['high'] < 7)
selected_stocks = selector1 & selector2 & selector3 & selector4
# 综合选择
selected_stocks = pd.DataFrame({'code': code, 'selected': selected_stocks})
selected_stocks = selected_stocks[selected_stocks['selected']]
selected_stocks = selected_stocks.sort_values('pct_chg', ascending=False)
selected_stocks.drop('pct_chg', axis=1, inplace=True)
return selected_stocks['code'].tolist()
在使用Python方法实现该选股逻辑时，使用了talib中的圆弧形算法，结合其他指标进行选股。通过组合使用多个指标，可以根据实际情况和投资策略进行相应的优化和改进。
## 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。
