(supermind)振幅大于1、k小于20、涨跌幅×超大单净量

问财量化选股策略逻辑

选股逻辑：振幅大于1，K线小于20，涨跌幅乘以超大单净量。

选股逻辑分析

该选股逻辑的设计综合了波动情况、K线表现、成交量等多种指标，以期发现股票的涨跌预测和投资价值。在振幅、K线方面，我们均考虑到安全边际，即取振幅为1和K线小于20，以规避部分风险。而涨跌幅乘以超大单净量则是通过量价关系来较为全面地评估了每个股票的投资价值。

有何风险？

该选股策略同样会受到市场风险和不确定性的影响。特别的，在股市波动较大和上涨热度较高的情况下，这种基于量价关系的选股策略可能会不太适合，需要更加及时的调整和修改。

如何优化？

我们可以引入更多基本面的数据，例如市盈率、市净率等因素，以增强选股的可信度和投资价值。另外，我们还可以通过一系列机器学习的技术方法来对每个股票进行全方面的评估和预估，提高选股的成功率和稳定性。

最终的选股逻辑

在综合考虑以上因素的基础上，我们进一步优化了选股逻辑：

振幅大于1；
K线小于20;
大单超买因子涨幅 = ( (close - open) / low * 100 ) * (buy_large_order_vol / total_vol);
涨幅为正数。

同花顺指标公式代码参考

以下是在通达信上实现该选股策略的指标公式代码：

DVF:=(CLOSE-REF(CLOSE,1))/REF(CLOSE,1);
DD:=LC>REF(LC,1);
SELLING:=REF(NETVOL5,1)<-1000000;
BUYING:=REF(NETVOL5,1)>1000000;
BUY_LAG:=BUYING AND DD;
DVF_>40:=(DVF>0.4 AND BUY_LAG);
DVF_<-40:=(DVF<-0.4 AND SELLING);
SELECT:=(DVF_>40 OR DVF_< -40);
C5:=VOL / CAPITAL * 100;
COND1:= CLOSE < 20 AND C5>=20;
ts_code:=SUBSTR(GOODS, 1, 6);
TDXDY_GPZL_BODY:SELECT AND COND1 AND BOARD=1 AND ts_code IN (XXXXX,XXXXX,X);

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，假设已获得数据close，high，low，open，成交量数据vol，超大单净量数据large_order_vol
import pandas as pd

# 计算振幅
amplitude = (high - low) / close.shift(1)

# 计算大单超买因子涨幅
buy_large_order_vol = (large_order_vol > 0).astype(int)
buying_factor = (close - open) / low * 100 * buy_large_order_vol / vol

# 筛选选股
selected_stocks = pd.DataFrame({
    'amplitude': amplitude, 
    'buying_factor': buying_factor,
    'pct_change': pct_change # 涨跌幅为正数，由 ptc_change 数据得出
}).query('amplitude > 1 & C < 20 & buying_factor > 0 & pct_change > 0')

return selected_stocks['code'].tolist()

通过 Python 实现该策略的选股逻辑，我们使用 Pandas 进行数据处理和条件筛选，整个代码更易于实现和理解，并且可以方便地根据情况对策略进行修改和优化。

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(supermind)振幅大于1、k小于20、涨跌幅×超大单净量_