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，昨日收盘价大于250日均线。该选股策略采用技术指标，通过综合评估股票价格、交易量等方面，选取具有一定潜力的股票，适用于中期投资的投资者。
选股逻辑分析
该选股逻辑通过技术指标振幅、大单净量排行、股价与250日均线的关系进行选股，较全面地评估股票市场表现。选到具有潜在投资价值的股票。选股条件简单易懂，适合普通投资者参考。同时，该选股策略能够精确地抓住波动较大，但整体走势向上的行情。
有何风险？
该选股逻辑仅考虑了技术指标，未对公司业绩和市场整体情况进行充分考虑，选股盲目性较强。当市场出现较大的波动或出现市场整体下跌趋势时，该选股策略可能会出现一定的风险。
如何优化？
该选股策略需要更多地综合其他指标如市盈率、市净率、ROE等财务指标，行业分析和政策等因素，从不同角度评估股票的价值，尽可能避免选股的盲目性。同时，在确定选股条件时，应考虑市场整体情况和宏观经济形势。
最终的选股逻辑
选股条件为：振幅大于1，大单净量排行，昨日收盘价大于250日均线，并综合考虑公司基本面、市场整体情况、行业发展等因素综合评估股票的价值和风险。
同花顺指标公式代码参考
SELECT1=(HIGH-LOW)/REF(C,1)>0.01;
SELECT2=GET_DRBQ(CODE, NAME, LAST, LASTVOL)>=0.8;
SELECT3=C>MA(C,250);
SELECT=SELECT1 AND SELECT2 AND SELECT3;
SORT_BY='换手率'
SORT_ASCEND=True
Python代码参考
import pandas as pd
import numpy as np
import tushare as ts
def get_selected_stocks():
ts.set_token('your token')
pro = ts.pro_api()
# 获取股票数据
stock_data = pro.daily(ts_code='000001.SZ', start_date='20220101', end_date='20220308')
stock_list = []
# 进行选股
for idx, row in stock_data.iterrows():
# 按条件筛选：振幅大于1，大单净量排行，昨日收盘价大于250日均线
if not ((row['high'] - row['low']) / stock_data[stock_data.index == idx-1].iloc[0]['close'] > 0.01) or \
get_drbd(row['ts_code'], row['name'], row['close'], row['vol']) < 0.8 or \
row['close'] <= stock_data[stock_data.index == idx-1].iloc[0]['ma250']:
continue
selected_data = {}
selected_data['ts_code'] = row['ts_code']
selected_data['stock_name'] = row['name']
selected_data['stock_price'] = row['close']
selected_data['change_rate'] = 100 * (row['close'] - row['pre_close']) / row['pre_close']
selected_data['pct_chg'] = row['pct_chg']
selected_data['turnover_rate'] = row['turnover_rate']
# 可添加其他指标
stock_list.append(selected_data)
# 按换手率从小到大排序
selected_stocks_sorted = sorted(stock_list, key=lambda x: x['turnover_rate'], reverse=False)
return selected_stocks_sorted
该选股逻辑在保留原来的技术指标的同时，加入了股价与250日均线的关系，使得选股更有针对性。但是，需要结合其他因素进行分析，以避免选股的盲目性，同时加入更多因素，如财务指标、行业分析等，进行更全面、准确地分析股票。
## 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。
