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、今日增仓占比大于5%的股票。该选股策略关注股票价格波动、市场热度和资金流向，同时也寻找有增量资金进入的股票。
选股逻辑分析
该选股逻辑继续关注价格波动和市场热度等基础因素，加入今日增仓占比，以寻找当前增量资金在新涨势中的股票。这样的选股策略可以更全面、更准确地评估股票的投资价值和潜力。
有何风险？
该选股策略存在以下风险：
-
过度依赖增仓占比，有可能会忽略股票基本面等长期因素导致挖掘错过了一些优秀的中长期价值投资机会。
-
振幅较大的股票存在波动剧烈的风险，需合理风险控制。
如何优化？
为了优化该选股策略，可以考虑以下措施：
-
加强市场调研和基本面研究，更全面、更准确地评估股票的投资价值和潜力。
-
结合技术指标如MACD等，进一步增强筛选的精准性和准确性。
-
严格控制风险，风险把控和分散资产，确保投资组合的风险可控性和收益稳健性。
最终的选股逻辑
选股策略为：振幅大于1、近一个月内有过涨停、今日增仓占比大于5%的股票。该选股策略是在对股票价格波动、市场热度、资金流向，以及今日增仓占比等因素进行了考量，以全面评估股票的上涨潜力和投资价值。
同花顺指标公式代码参考
A>1,HHV(REF(C,1),21)=C,(VOL/CAPITALFLOW*100)>5
其中，A 表示当前股票的振幅，HHV(REF(C,1),21)=C 代表当前股票涨停板有发生，(VOL/CAPITALFLOW*100) 表示当前股票今日增仓占比，CAPITALFLOW 代表今日总的资金流入。选股以满足条件为主。其他参数参考前述选股逻辑和分析。
python代码参考
from gm.api import *
set_token("your_token_here")
start_date = "2021-01-01" # 回测开始日期
end_date = "2022-01-01" # 回测结束日期
# 获取历史股票信息
stocks_all = get_history_instruments(type=InstrumentType.Stock, market=Market.SSE, max_count=10000)
symbols_all = [s.symbol for s in stocks_all]
# 获取对应股票的历史信息
bars_all = history(symbol=symbols_all, frequency="1d", start_time=start_date, end_time=end_date, fields="open, close, high, low, volume", df=True)
# 计算股票今日增仓占比
cf_all = capital_flow(symbol=symbols_all, start_time=start_date, end_time=end_date, fields="today")
turnover_all = cf_all.today_buy / cf_all.today_amount * 100
# 剔除不符合标准的股票
bar_selected = bars_all.loc[turnover_all >= 5].loc[(bars_all.high - bars_all.low) / bars_all.close > 0.01]
bar_selected = bar_selected.loc[(bar_selected.high == bar_selected.close)]
# 打印选中的股票代码
print(bar_selected.index.get_level_values(0).unique())
该代码在获取股票历史信息和计算今日增仓占比后，通过 Pandas DataFrame 对象进行选择和筛选，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。
