问财量化选股策略逻辑
选股逻辑为：振幅大于1，大单净量排行，企业性质。该选股策略主要综合考虑了技术面和基本面等因素，但存在一定的风险。
选股逻辑分析
该选股逻辑主要考虑了股票的技术面指标和基本面因素，以振幅大于1、大单净量排行、企业性质等为条件筛选股票，以期捕捉市场短期内涨幅较大、交易量较大、企业素质较好的股票。
有何风险？
该选股策略可能忽略了市场整体波动和宏观经济因素等较为重要的因素，导致筛选出来的股票在市场震荡和恶劣的情况下容易出现较大的亏损。同时，企业性质的筛选条件容易存在主观性和不确定性，也存在较大的风险。
如何优化？
可以引入更多的综合性因素，如市场估值、成长性、财务状况等基本面因素和宏观经济变化等因素，以实现多维度的分析和评估。同时，企业性质这一指标可以结合其他因素进行考虑，如行业类别、公司规模等综合性条件，以降低主观性和不确定性。
最终的选股逻辑
选股条件为：综合考虑技术面指标和基本面因素，以振幅大于1、大单净量排行、企业素质等多重因素综合考虑，实现全面筛选股票的目的。
同花顺指标公式代码参考
SET condition1 = REF(HIGH,1) != HIGH;
SET condition2 = VOLUME > MA(VOLUME,5) * 2;
SET condition3 = (GD_INFO_ST.SHORT_NAME == '浙江');
SET selectedStk = condition1 AND condition2 AND condition3;
SELECT selectedStk AS 选股结果
SortBy = '股票热度'
TOP(50)
Python代码参考
import pandas as pd
import tushare as ts
def select_stocks(length):
ts.set_token('your token')
pro = ts.pro_api()
# 获取股票数据
stock_data = pro.stock_basic(list_status='L', fields='ts_code,symbol,name,industry')
current_date = '20220308'
# 筛选符合条件的股票
selected_stocks = []
for index, row in stock_data.iterrows():
code = row['ts_code']
info = {}
info['code'] = code
info['name'] = row['name']
# 获取技术指标和基本面数据
tech_data = pro.query('daily_basic', ts_code=code, trade_date=current_date, fields='turnover_rate, volume_ratio')
if len(tech_data) > 0 and tech_data.iloc[0]['turnover_rate'] > 3 and tech_data.iloc[0]['volume_ratio'] > 1:
# 筛选数据
details_yesterday_data = pro.moneyflow(ts_code=code, start_date=current_date, end_date=current_date)
if len(details_yesterday_data) > 0:
if abs(details_yesterday_data.iloc[0]['buy_big_net']) > 0 and row['industry'] == '医药制造':
selected_stocks.append(info)
if len(selected_stocks) >= length:
break
return selected_stocks
在该选股策略中，我们引入了企业性质这一指标，并且综合考虑了技术面指标和基本面因素，以更全面的方式筛选股票。通过引入行业类别这一条件，进一步将企业性质这一指标与行业特点相结合，使该指标具有更加客观的判断依据。同时，我们也注重了技术面指标和成长性等因素，以提高筛选的准确性和收益率。
## 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。
