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，竞价时涨跌幅买入大单、特大单共计买入量大于0.7千万。
选股逻辑分析
本选股逻辑考虑了股票的波动程度、地域以及大单资金流向等指标的影响，具体分析如下：
- 振幅大于1有利于选股方式的精准度；
- 北京A股排除是为了避免地缘特殊性因素；
- 竞价时买入大单、特大单共计买入量大于0.7千万可以反映机构资金的流入情况。
有何风险？
本选股策略的风险主要由以下几方面：
- 单一技术指标选股策略存在盲区；
- 仅考虑涨跌幅买入大单、特大单未必能够反映机构资金的长期持仓意向；
- 可能会出现超过竞价成交价格但最终并未成交的情况。
如何优化？
为了优化选股策略，应该从以下方面进行改进：
- 建立更加科学合理的多因子选股模型；
- 考虑机构资金的长期持仓意向，充分分析公司的基本面风险；
- 可以在竞价时明确下单价格，避免由于竞价价格的过高或过低导致未能成交的情况。
最终的选股逻辑
为了使选股策略更加结合实际，可以从以下几个方面对选股逻辑进行优化：
- 振幅大于1，流通市值达到一定范围，不包括北京A股；
- 竞价时买入大单、特大单共计买入量大于0.7千万；
- 同时考虑市场表现、技术面和基本面等因素，采用多因子模型进行选股；
- 选择具有长期价值的公司，将投资看做一项战略性的长期计划。
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";
//买入大单、特大单
C0 = (BUYVOLPRICEB1+BUYVOLPRICES1)/10000 >= 700;
//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'))
# 判断是否符合大单、特大单的条件
df['large_order_condition'] = ((df['buy_vol_price_b1'] + df['buy_vol_price_s1']) / 10000 >= 700)
# 综合判断各种条件
df = df[df['amplitude_condition'] & df['region_condition'] & df['large_order_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。
