问财量化选股策略逻辑
选股逻辑：振幅大于1,今日控盘＞21,昨天换手率＞8%。
选股逻辑分析
该选股逻辑主要考虑了价格波动、大股东持股比例、以及个股短期交投活跃情况等因素。振幅大于1和今日控盘＞21为筛选波动大、交投活跃的个股，而昨日换手率则为筛选出近期交投活跃度较高的个股。该选股逻辑相对简单易理解，同时也比较符合普通投资者的选股需求，但存在一些潜在风险。
有何风险？
该选股逻辑可能存在以下风险：
- 选股逻辑过于简化，没有涵盖其他的基本面指标，例如市盈率等；
- 逻辑中振幅的选取存在一定的主观性，容易被选手过度解释、过度使用，进而产生投资风险；
- 昨日换手率选用过去的变量，并不一定能够完全预测未来的交投活跃度，具有一定的局限性。
如何优化？
基于潜在风险的考虑，我们可以采取以下措施来提高该选股策略的精度和可操作性：
- 引入其他基本面指标：例如市盈率、市净率等指标，加强对公司价值的判断；
- 采用机器学习方法对历史数据进行训练，进而生成更为精确的风险模型；
- 考虑将振幅指标分为高振幅和低振幅，加强逻辑的严谨性。
最终的选股逻辑
综合以上改进措施，我们最终选择以下的选股逻辑：
- 高振幅的定义为价格振幅大于等于5%，低振幅的定义为价格振幅小于5%；
- 今日控盘＞21；
- 过去一个月内成交量平均值大于等于一定的值，例如20日均值；
- 加入市盈率、市净率、市销率、营业毛利率等指标作为参考。
同花顺指标公式代码参考
C1 = IF(AMO() / 10000 >= 20, (AMO() / 10000 - 20) / 20 * 50 + 50, AMO() / 10000 >= 5, (AMO() / 10000 -5) / 15 * 50, 0);
C2 = CONTROLLING_SHARES_CHANGE() > 0.21;
C3 = MA(VOL(), 20) / 10000 >= 3;
C4 = PE() > 0 AND PE() < 50 AND PB() > 0 AND PB() < 10 AND PS() > 0 AND PS() < 5 AND GROSS_PROFIT_MARGIN() > 20;
SELECTOR = C1 + C2 + C3 + C4;
RESULT = SORT_RANK(SELECTOR, ASCEND(SEARCH_RANK()))
python代码参考
def select_stocks():
selected_stocks = []
for stock in get_all_stocks():
c1 = 0
amplitude = get_price(stock, end_date=datetime.now(), frequency='1d', fields='amplitude')
if amplitude[-1] >= 0.05:
c1 = (amplitude[-1] - 0.05) / 0.05 * 50 + 50
elif amplitude[-1] >= 0.01:
c1 = (amplitude[-1] - 0.01) / 0.04 * 25
c2 = abs(get_controlling_shareholders(stock, end_date=datetime.now(), frequency='1d')['controlling_shareholders_day_pct_change'][-1]) > 0.21
c3 = get_turnover_rate(stock, start_date=datetime.now()-timedelta(days=30), end_date=datetime.now(), frequency='1d', fields=['turnover_rate']).mean() >= 0.03
c4 = get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['pe_ratio'][-1] > 0 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['pe_ratio'][-1] < 50 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['pb_ratio'][-1] > 0 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['pb_ratio'][-1] < 10 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['ps_ratio'][-1] > 0 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['ps_ratio'][-1] < 5 and get_fundamentals(stock, end_date=datetime.now(), fields=['pe_ratio', 'pb_ratio', 'ps_ratio', 'gross_profit_margin'])['gross_profit_margin'][-1] > 20
score = c1 + c2 + c3 +c4
if score >= 150:
selected_stocks.append(stock)
return selected_stocks
result = select_stocks()
print(result)
以上Python代码仅供参考，具体实现还需要根据自己的需求进行调整。
## 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。
