问财量化选股策略逻辑
选股逻辑：振幅大于1，北京A股除外，今日最低价小于昨日最低价。
选股逻辑分析
本选股逻辑重点考虑了股票价格波动性的大幅度波动和不利因素的因素筛选股票。具体分析如下：
- 振幅大于1有利于选股方式的精准程度；
- 北京A股以外是为了避免地缘特殊性因素；
- 今日最低价小于昨日最低价是为了避免股票出现大幅下行走势。
有何风险？
本选股策略的风险主要由以下几方面：
- 没有考虑其他更多的股票技术指标；
- 选股策略单一、逻辑较为简单，难以避免选中垃圾股；
- 可能会受到一些单一事件的影响。
如何优化？
为了优化选股策略，应该从以下方面进行改进：
- 增加多种股票技术指标，提高选股精准度；
- 把短期内的价值单一事件较为准确的反应到选股策略中；
- 在分析数据的过程中注意了解公司的基本面数据信息；
- 建立严格的止盈止损系统，以控制投资风险。
最终的选股逻辑
为了使选股策略更加精准，可以从以下几个方面对选股逻辑进行改进：
- 振幅大于1，今日最低价小于昨日最低价，流通市值达到一定范围；
- 结合股票技术指标和基本面数据信息以及行业信息；
- 利用长、中、短期的股票技术指标进行分析；
- 建立投资风险控制策略。
同花顺指标公式代码参考
为了实现选股逻辑，可以结合同花顺提供的指标公式，如下：
//振幅
A0 = ((HIGH - LOW) / LOW) > 0.01;
//地域
B0 = NAME NOT CONTAIN "北京";
//今日最低价小于昨日最低价
C0 = LOW >= REF(LOW, 1);
//组合
IF(A0 AND B0 AND C0, 1, 0)
Python代码参考
为了实现选股逻辑，可以结合Python的pandas等模块和优矿的数据API，如下：
# 获取股票数据和财务数据
df = get_data(context.trade_date, context.holding_num)
financials = get_fundamentals(query(valuation.code, indicator.roe_diluted),
end_date=context.trade_date, count=5)
# 判断振幅是否符合条件
df['amplitude_condition'] = (df['high'] - df['low']) / df['low'] > 0.01
# 判断股票所在地是否符合条件
df['region_condition'] = (~df['name'].str.contains('北京'))
# 判断最低价是否符合条件
df['low_condition'] = df['low'] >= df['low'].shift(1)
# 综合判断各种条件
df = df[df['amplitude_condition'] & df['region_condition'] & df['low_condition']]
# 根据市值降序排序
exc_stocks = df.sort_values(by='circulating_market_value', ascending=False).iloc[:context.holding_num]
注意事项
本回答中的选股逻辑、指标公式和Python代码仅供参考，实现过程中需要根据具体投资策略进行作出一定的调整优化。
## 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。
