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、集中度70<20%的股票。该选股逻辑加入了资金集中度的因素，选出的股票可能具有较好的市场表现和资金参与度。
选股逻辑分析
该选股逻辑结合了股票价格的波动性和市场情绪，同时考虑了资金的参与度因素。由于资金集中度的高低对股票的走势有一定影响，这样选出的股票可能拥有较好的市场表现。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：
-
高度依赖历史的股票排名，存在一定的时间局限性和后验性，未来表现可能与历史不同。
-
集中度这个指标的具体阈值可能需要根据不同情况进行优化，一旦设置过于严格，可能会使符合其他条件的优质股票被错过。
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，如金融数据和交易量等，以帮助更准确地预测股票走势并辅助选股。
-
结合成长性和价值性，考虑综合使用不同的指标筛选股票。
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、集中度70<20%。加入成长性和价值性指标，如市盈率、市净率，选择前100名。此选股策略更全面地考虑了资金参与度、成长性和价值性指标，有利于筛选出更具潜力的股票。
同花顺指标公式代码参考
- 振幅：(高点 - 低点) / REF(收盘价, 1)
- 集中度：(最大资金流入股票当日资金流入金额 / 当日股票资金流入总额) * 100%
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}
# 加入资金集中度条件
funds_cond = {"$gte": 20, "$lt": 70}
# 加入成长性和价值性指标条件
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, {"fund_concentration": funds_cond}, {"PE": pe_cond}, {"PB": pb_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", "hot_rank", "PE", "EPS", "ROE", "fund_concentration"],
filter=cond,
data_type=2,
sort=sort_cond
)
# 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)
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。
