问财量化选股策略逻辑
选股逻辑：振幅大于1、K线小于20、昨天有龙虎榜进行选股。
选股逻辑分析
该选股逻辑着重关注了龙虎榜的因素，通过关注市场的关注度和关注热度，从情绪层面反映出市场对相关股票的态度。同时，搭配技术指标的筛选条件，可以更好地筛选出有潜力的标的。
有何风险？
选股逻辑中仍过于依赖龙虎榜的因素，忽略了其他因素的影响，如基本面、市场情况等。另外，龙虎榜的信息有时会存在不确定性，如果完全依赖龙虎榜可能会导致选股结果不够准确。
如何优化？
可以将龙虎榜的因素和其他因素结合起来进行考虑，如综合基本面等因素对龙虎榜标的进行评估，将龙虎榜作为加分项，而不是唯一的筛选条件。此外，也可以结合其他情绪因素对选股进行考虑，比如大量的股民参与和转移资产可能会导致股市波动。综合考虑各类因素，在整个市场周期中获得更优秀的业绩。
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；
- 昨天有龙虎榜；
- 综合考虑业绩、基本面等情况；
- 考虑其他情绪因素的影响。
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:=WYY.CURR_DR>0.002;
SELECTOR:=C1 AND C2 AND C3;
RESULT:=SELECTOR;
其中，TSL代表圆弧形指标，UPL为MA(TSL, U)，VOL为成交量，WYY.CURR_DR为龙虎榜的因素。
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 = talib.TSL(df['high'], df['low'], df['close'], 28)
upl = talib.MA(tsl, timeperiod=28)
cur_dr = df['cur_dr']
selector1 = ((tsl * 0.999 / upl) > 1.01) | ((tsl * 0.999 / upl) < 0.99)
selector2 = df['vol'] > df['vol'].shift(1)
selector3 = cur_dr > 0.002
selected_stocks = selector1 & selector2 & selector3
# 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()
通过使用Python实现该选股逻辑，结合圆弧形指标和龙虎榜条件进行选股。在实际运用过程中，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。
