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、规模2亿以上的股票。该选股逻辑综合了股票价格的波动性和市场情绪，同时考虑了市值因素，选出的股票可能拥有较好的投资潜力。
选股逻辑分析
该选股逻辑的核心是股票相对较大的波动幅度和近期市场情绪较好的特点，又结合了股票规模的因素。这样选出的股票一般会比较有活力，投资价值也相对较好。不过，该选股逻辑可能存在一些潜在风险。
有何风险？
该选股逻辑可能存在以下风险：
-
会忽略一些规模较小、但仍有较高增长性和潜力的股票，可能导致未来收益降低。
-
规模在一定程度上不能完全代表企业实力，可能会让一些潜力股滑过。
如何优化？
以下是优化该选股策略的方法：
-
尝试引入其他指标，如PE、PB等估值指标或业绩增长指标，以更全面地评估股票价值和增长性。
-
考虑设计多因子模型，采用多个指标相结合的方式综合评估股票价值。
-
通过不同的宏观指标来挑选各类型的股票，并根据需求进行筛选，以获得更高的策略效率。
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、规模2亿以上，加入PE和PB指标。这个选股策略更全面地考虑了股票价值和市值因素，有利于寻找更具投资价值的股票。
同花顺指标公式代码参考
- 振幅：(高点 - 低点) / 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"
# 获取深证主板所有股票
symbols_all = get_symbols(exchanges=["SZSE"], sec_types=["STOCK"], names=["A股"], list_status=["L"])
# 设置选股条件
amplitude_cond = {"$gt": 1}
limit_up_cond = {"$gte": 1}
# 加入市值条件
market_capital_cond = {"$gte": 200000000}
# 加入估值条件
pe_cond = {"$gte": 0, "$lte": 100}
pb_cond = {"$gte": 0, "$lte": 10}
# 构建排序条件
sort_cond = [("hot_rank", 1)]
# 构建选股查询条件
cond = {"$and": [amplitude_cond, limit_up_cond, {"market_capitalization": market_capital_cond}, {"PE": pe_cond}, {"PB": pb_cond}]}
# 获取满足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", "hot_rank", "PE", "EPS", "ROE"],
filter=cond,
data_type=2,
sort=sort_cond
)
# 获取符合条件的股票代码
symbols_selected = [s["symbol"] for s in data]
print(symbols_selected)
该代码通过 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，并按照个股热度排序。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。
