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、买一量大于卖一量。该选股策略以价格波动、市场热度和成交量为依据，选出价格波动较大、市场 sentiment 较高、成交量增长的股票。
选股逻辑分析
该选股策略注重价格波动和市场 sentiment，并考虑了成交量的因素，能够在一定程度上筛选出涨势强劲，短期内流动性较好的股票。选出的股票具有较高投资价值和短期获利潜力。
有何风险？
该选股策略存在以下风险：
-
短期内成交量与股票的价值并不一定成正比，仅依靠买一量大于卖一量作为选股条件较为单一，可能忽略了股票的长期投资价值。
-
受股市环境波动较大的影响，选股风险较高。在市场急剧变化或出现异常行情时，选股策略的有效性会受到考验。
如何优化？
优化该选股策略的方法：
-
在买卖量的基础上，增加其他成交量指标，比如换手率、持仓量等等，以提高选股的综合精准性。
-
加入基本面分析，包括财务数据、行业前景等等因素，从更宏观的角度分析股票的投资价值。
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、买一量大于卖一量。在此基础上，可加入其他成交量指标或基本面分析，以提高选股的综合精准性。
同花顺指标公式代码参考
A>1 AND SUM(HAS_ST_RECENTLY,21)>0 AND BUY1_VOL>SELL1_VOL:1000
其中 A 表示当日振幅，HAS_ST_RECENTLY 表示股票是否有最近21个交易日内涨停，BUY1_VOL 和 SELL1_VOL 分别表示股票买一和卖一的成交量。
python代码参考
from gm.api import *
set_token("your_token_here")
start_date = "2020-01-01" # 回测开始日期
end_date = "2022-01-01" # 回测结束日期
# 获取所有股票代码
symbols_all = get_symbols()
# 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)
# 选出符合条件的股票
bar_selected = bars_all[((bars_all.high - bars_all.low) / bars_all.close) > 0.01]
bar_selected = bar_selected.loc[(bar_selected.high == bar_selected.close)]
bar_selected = bar_selected.loc[symbols_all.loc[bar_selected.index.get_level_values(0)].str[:2] == "SH"]
bar_selected = bar_selected.loc[(bar_selected.close > bar_selected.close.rolling(window=21).min()) & (bar_selected.close == bar_selected.close.rolling(window=21).max())]
bar_selected = bar_selected.loc[bar_selected.buy_volume > bar_selected.sell_volume]
# 打印选中的股票代码
print(bar_selected.index.get_level_values(0).unique())
该代码同样通过 Pandas 对象读取股票历史信息，并选出符合选股逻辑条件的股票，并将股票代码打印出来。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。
