问财量化选股策略逻辑
选股逻辑：振幅大于1，反包，流通市值50-100亿。
选股逻辑分析
该选股逻辑在原有基础上加入了市值因素，同时是个比较保守的选股策略，能够过滤掉一些小市值的个股以及波动性比较大的股票。但同时货币政策变化等市场因素对于该选股逻辑策略还是有影响的。
有何风险？
该选股逻辑是比较保守的，股票的涨幅和收益相对较少。在市场大涨时，该选股策略可能错失一些收益较高的潜在投资机会。
如何优化？
可以将市值和其他指标相结合，增加量比、滚动市盈率等技术指标进行策略调整，更好地挖掘市场价值。同时，可以采用机器学习等方法对该选股策略进行优化和准确度提升。
最终的选股逻辑
基于以上分析，我们提出改进后的股票筛选逻辑：
- 振幅大于1；
- 反包出现；
- 流通市值在50-100亿之间；
- 均线多头排列；
- 量比大于1；
- 滚动市盈率低于30。
同花顺指标公式代码参考
以下是通达信指标的公式代码示例：
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:CAPITALIZATION / 100000000 >= 50 AND CAPITALIZATION / 100000000 <= 100; // 流通市值在50-100亿之间
F04:CROSS(MA(CLOSE,5),MA(CLOSE,10)) AND CROSS(MA(CLOSE,10),MA(CLOSE,20)); // 均线多头排列
F05:(V / MA(V,5)) > 1; // 量比大于1
F06:PE_TTM < 30; // 滚动市盈率低于30
FILTER:F01 AND F02 AND F03 AND F04 AND F05 AND F06;
SYMBOL_SORT("热点板块", SORT_DESCEND);
SELECT(IF(F06, 1, 0), "诊股"); // 输出文本信息：选股
python代码参考
以下是用 Python 实现该策略的选股逻辑：
def stock_filter(dv, symbol):
# 获取股票价格和成交量数据
high = dv.get_ts("high", symbol=symbol)
low = dv.get_ts("low", symbol=symbol)
close = dv.get_ts("close", symbol=symbol)
volume = dv.get_ts("volume", symbol=symbol)
capitalization = dv.get_ts("capitalization", symbol=symbol) / 100000000 #将总股本转换成亿为单位
pe_ttm = dv.get_ts("pe_ttm", symbol=symbol)
# 计算其他指标
selected_stocks = (high / low - 1 > 0.01) & (Ta('CDL2CROWS', 0, open, high, low, close) == 100) & (capitalization >= 50) & (capitalization <= 100) & (CROSS(MA(close,5),MA(close,10)) & CROSS(MA(close,10),MA(close,20))) & (volume / MA(volume, 5) > 1) & (pe_ttm < 30)
selected_stocks = selected_stocks[selected_stocks].sort_values(by="heat_rank", ascending=False)
return selected_stocks.index.tolist()
在 Python 中实现整个选股逻辑，需要先获取相关的股票数据，如行情、成交量、市值和市盈率等数据，并与选股条件进行比对，从而得到选股结果。在本例中，先用 TA-Lib 库计算反包指标和均线指标，再用其他指标计算选股结果，最后返回筛选结果。
## 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。
