问财量化选股策略逻辑
选股逻辑为：振幅大于1，企业性质良好，酷特智能出现早晨之星
选股逻辑分析
该选股逻辑在振幅和企业性质的基础上，结合了技术分析指标早晨之星，可有效筛选出股票价格下跌后的反弹机会，同时振幅大于1能够保证有一定的投资机会，良好的企业性质则可以更好地保障公司的财务状况和投资价值。
有何风险？
该选股逻辑若过分依赖技术分析指标，而导致忽略公司的基本面状况，可能会错过了一些有潜力的投资机会。同时，早晨之星虽然是一种有效的技术分析指标，但并不能保证其在所有股票和市场情况下都能得到较佳效果。
如何优化？
可以将技术分析指标和基本面指标相结合，选取符合策略的股票，更全面地对股票进行评估和估值，提高选股策略的准确性。同时，对于早晨之星指标，可以在选取股票时使用其他支撑指标进行佐证，加强判断。可以考虑技术指标、基本面指标和公司业务模式等各个方面进行综合判断。
最终的选股逻辑
综合以上分析，最终的选股逻辑如下：
- 振幅大于1；
- 企业性质良好，包括但不限于：盈利能力强，稳定的财务状况，成长性，市值，ROE等；
- 出现酷特智能的早晨之星指标；
- 根据市场情况和个人风险偏好，选择适当的振幅范围；
- 结合技术指标和基本面指标等多个方面进行综合判断，选取符合策略的股票。
同花顺指标公式代码参考
该选股逻辑的同花顺指标公式如下：
/* 选股公式 */
A:(HIGH-LOW)/REF(CLOSE,1)>0.01;
B:XX企业性质;
C:STREN( KTECH, Z) = 5;
A AND B AND C <= N; /* N为排名范围 */
其中，A:(HIGH-LOW)/REF(CLOSE,1)>0.01 表示振幅大于1，B:XX企业性质 表示企业性质良好， C:STREN( KTECH, Z) = 5 表示出现早晨之星指标，A AND B AND C <= N 表示逻辑与且排名不高于N。
Python代码参考
适用于tushare库的Python选股代码如下：
import tushare as ts
import numpy as np
def is_selected(code, eps=1, rank_range=(1, 50)):
# 判断股票是否满足选股逻辑
df_basic = ts.get_stock_basics()
if not XX企业性质:
return False
df_hist = ts.get_hist_data(code)
if (df_hist['high'] - df_hist['low']).mean() / df_hist['close'].iloc[-1] <= 0.01:
return False
Kline = ts.get_k_data(code)
Kline['MA5'] = pd.rolling_mean(Kline['close'], 5)
Kline['MA10'] = pd.rolling_mean(Kline['close'], 10)
Kline['MA20'] = pd.rolling_mean(Kline['close'], 20)
Kline['MA30'] = pd.rolling_mean(Kline['close'], 30)
Kline['preClose'] = Kline['close'].shift(1) # 昨收
Kline['preLow'] = Kline['low'].shift(1) # 下影线
Kline['preHeight'] = Kline['high'] - Kline['preClose'] # 上影线
Kline['preHeight2'] = Kline['preClose'] - Kline['preOpen'] # 前一根K线实体
Kline['height'] = Kline['high'] - Kline['low'] # K线实际长度
Kline['preHeightPer'] = (Kline['high'] - Kline['preClose']) / Kline['preClose'] * 100 # 上影线比率
Kline['preHeight2Per'] = (Kline['preClose'] - Kline['preOpen']) / Kline['preClose'] * 100 # 前一K线实体比率
Kline['heightPer'] = Kline['height'] / Kline['close'] * 100 # K线实体比率
Kline['upper'] = Kline['preClose'] + (Kline['preLow'] - Kline['preClose']) * 0.5
Kline['lower'] = Kline['preClose'] - (Kline['preClose'] - Kline['preOpen']) * 0.5
Kline['gap'] = Kline['open'] - Kline['preClose'] # 开盘漂移
Kline['gapPer'] = Kline['gap'] / Kline['preClose'] * 100 # 开盘漂移比率
if Kline['preHeightPer'].iloc[-3] > 10 and Kline['preHeight2Per'].iloc[-3] < 1 \
and Kline['heightPer'].iloc[-2] < 6 and Kline['preHeight2Per'].iloc[-2] > 1 \
and Kline['close'].iloc[-2] > Kline['open'].iloc[-2] and Kline['close'].iloc[-1] < Kline['open'].iloc[-2] \
and Kline['gap'].iloc[-1] < 3 and Kline['gapPer'].iloc[-1] < 3:
return True
rank = ts.top_list(df_hist.index[0])['code'].tolist().index(code) + 1
if rank < rank_range[0] or rank > rank_range[1]:
return False
return False
# 获取热度排名前N的股票列表，遍历股票进行选股
stocks = ts.top_list()
selected_stocks = []
for i in range(N):
code = stocks['code'].iloc[i]
if is_selected(code, rank_range=(1, N)):
selected_stocks.append(code)
# 利用选股结果进行股票交易
for code in selected_stocks:
pass # 参考其他策略
其中需要根据选股策略修改参数，通过tushare库获取股票的基本面和历史行情进行计算判断，利用选股结果进行股票交易。
## 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。
