问财量化选股策略逻辑
选股逻辑：振幅大于1,反包,PE>0。
选股逻辑分析
该选股策略选用了振幅指标、反包指标和估值指标PE来选择具有投资价值的股票。其中，振幅指标用于筛选波动较大的股票，反包指标用于筛选出具有反转信号的股票，PE指标用于选择符合估值水平的股票。通过对这些指标的综合考虑来选股。
有何风险？
PE指标可能会被一些因素所影响，如宏观经济因素、行业竞争情况等因素都对公司估值有影响，风险在于只基于PE可能无法真实准确反馈公司估值情况，同时也有可能出现市场大盘波动和预期不符等情况导致选股结果偏离。
如何优化？
此选股策略可以加入其他估值指标、技术指标等多种指标来筛选股票，如市净率、PEG等估值指标，如MACD、RSI等技术指标，以综合考虑多种因素，提高选股的准确性和稳定性。同时，还可以进行行业配置、市场资讯跟踪和风险管理等，降低风险，达到优化的效果。
最终的选股逻辑
基于以上分析，提出下面完善后的选择逻辑：
- 振幅大于1；
- 反包出现；
- PE > 0。
同花顺指标公式代码参考
以下是该选股策略的指标公式代码：
F01: HIGH / LOW - 1 > 0.01; // 振幅大于1
F02: NOT(SIGN(CLOSE - REF(CLOSE, 1)) == SIGN(REF(CLOSE, 1) - REF(CLOSE, 2))); // 反包
F03: TTM_PE > 0; // PE>0
FILTER:F01 AND F02 AND F03;
SYMBOL_SORT("CLOSE*VOLUME*CAPITALIZATION/10000", SORT_DESCEND);
SELECT(IF(1, 1, 0),"选股"); // 输出文本信息：选股
python代码参考
以下是 Python 实现该策略的选股逻辑：
def stock_filter(dv, symbol):
# 获取数据，计算指标
high = dv.get_ts("high", symbol=symbol)
low = dv.get_ts("low", symbol=symbol)
close = dv.get_ts("close", symbol=symbol)
pe = dv.get_ts("TTM_PE", symbol=symbol)
date_idx = pd.to_datetime(high.index).date
amplitude = high / low - 1
reverse_pattern = (Ta('CDL2CROWS', 0, open, high, low, close) == 100)
selected_pe = (pe > 0)
selected_stocks = amplitude & reverse_pattern & selected_pe
return selected_stocks.index.tolist()
选股逻辑中，我们用 Python 的 pandas 库和 TA-Lib 库计算指标，筛选出符合条件的股票列表，以得到我们需要选择的股票列表。
## 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。
