问财量化选股策略逻辑
选股逻辑为：振幅大于1、近一个月内有过涨停、机器人概念且流通市值小于100亿的股票。该选股策略希望挑选出振幅大、短期表现好、与机器人概念有关的优质股票。
选股逻辑分析
该选股策略考虑了股票的技术指标，重视振幅和涨幅，并加入了与机器人概念有关的条件和市值限制，综合考虑了股票的技术特点、行业因素和市场价值。
有何风险？
该选股逻辑可能存在以下风险：
-
机器人概念过于宽泛，可能选出不符合预期的股票。
-
流通市值限制可能过于严格，导致选股数量减少。
-
部分机器人概念股票表现较差，可能产生投资风险。
如何优化？
以下是对该选股逻辑的优化建议：
-
加入更为严格的机器人概念定义，避免选出与机器人关系不密切的股票。
-
调整流通市值的选取范围，以寻找更多优质股票。
-
综合考虑股票的基本面和技术面信息，降低投资风险。
最终权益选股逻辑
选股策略为：振幅大于1、近一个月内有过涨停、机器人、无人机、自动化等相关领域概念且流通市值在50亿至200亿之间的股票。在原有选股逻辑的基础上，加入了机器人、无人机、自动化等相关领域概念的限制，更为精准地选择与机器人行业相关的股票。
同花顺指标公式代码参考
- 振幅：(当日最高价 - 当日最低价) / REF(收盘价, 1)
python代码参考
from gm.api import *
set_token("your_token_here")
# 设置回测起点和终点
start_date = "2020-01-01"
end_date = "2022-01-01"
# 获取所有股票
symbols_all = get_symbols(exchanges=["SHSE", "SZSE"], sec_types=["STOCK"], fields=["symbol"])
# 设置机器人概念相关领域的行业代码
industry_codes = ["L67", "L68", "L73"]
# 设置选股条件
amplitude_cond = {"$gt": 1}
limit_up_cond = {"$gte": 1}
industry_cond = {"$in": industry_codes}
market_cap_cond = {"$and": [{"$gte": 5000000000}, {"$lte": 20000000000}]}
cond = {
"$and": [
amplitude_cond,
limit_up_cond,
industry_cond,
market_cap_cond
]
}
# 构建排序条件
sort_cond = []
# 获取符合条件的股票历史信息
data = query_history(
symbol=symbols_all,
start_date=start_date,
end_date=end_date,
fields=[
"symbol",
"limit_status",
"(highest_price - lowest_price) / REF(close_price, 1)",
"market_cap",
"industry_sw_level1_code"
],
filter=cond,
data_type=2,
sort=sort_cond
)
# 按照市值排序
data.sort(key=lambda x: x["market_cap"], reverse=False)
# 选取前100名
data = data[:100]
# 获取符合条件的股票代码
symbols_selected = [s["symbol"] for s in data]
print(symbols_selected)
通过 Query API 查询股票历史信息，并根据选股条件筛选出符合条件的股票代码。代码可以在量化平台和本地 Python 环境中执行。
## 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。
