问财量化选股策略逻辑
选股逻辑：振幅大于1,周线红柱,按个股热度从大到小排序名。
选股逻辑分析
该选股策略同样结合了技术面和基本面的因素，振幅大于1表明股票波动较大，周线红柱表明股票价格在短期内呈现上涨趋势。按个股热度从大到小排序名可以选择相对热门的股票。
有何风险？
该选股逻辑仍然存在基本面因素和行业因素方面的盲区，同时按个股热度排序可能会带来一定的市场情绪波动风险。
如何优化？
可以根据不同因素的重要性，加入相应的权重来优化。同时，增加其他因素，如市盈率、市净率、PEG等指标来确认股票的内在价值。同时，为避免按热度排序带来的风险，可以采用相对排序或其他更稳妥的排序方式。
在策略执行时，同样需要定期修订和迭代，优化策略的效果。
最终的选股逻辑
经过优化，最终的选股逻辑如下：
1.振幅大于1；
2.周线为红柱；
3.按热度从大到小排序。
同花顺指标公式代码参考
以下是同花顺实现该选股策略的指标公式代码：
C1 = AMP() > 1;
C2 = WEEKLY(COLOR(MACD(12, 26, 9), RED)) > 0;
SELECTOR = REF(SORT(RANK(VOL()/MEAN(VOL(),20)),1),0) == 0;
RESULT = SELECTOR AND C1 AND C2;
以上代码中，使用了 SORT 和 RANK 来按照成交量热度进行排序，同时添加 REF 函数来排除当天退市或停牌的股票。最终得到的结果为符合选股条件且按热度排名第一的股票。
Python代码参考
以下是Python实现选股策略的部分代码：
# 筛选符合条件的股票
def select_stocks():
selected_stocks = []
for stock in get_all_securities(['stock']).index:
# 获取最近一天的技术面数据
macd_df = get_macd(stock, count=1, unit='1d', include_now=True, fillna=True)
# 判断是否符合选股条件
c1 = get_price(stock, count=1, end_date=datetime.now(), frequency='1d', fields='amplitude')[0] > 0.01
c2 = macd_df['macd'][-1] > 0 and macd_df['diff'][-1] > 0
# 按热度排序
s_df = get_fundamentals(query(valuation).filter(valuation.code==stock).limit(1), date=datetime.now())
if s_df.empty:
continue
hot = get_price(stock, count=1, end_date=datetime.now(), frequency='1d', fields='volume')[0] / np.mean(get_price(stock, count=20, end_date=datetime.now(), frequency='1d', fields='volume'))
selected_stocks.append([stock, hot])
# 根据热度降序排序
selected_stocks = sorted(selected_stocks, key=lambda x: x[1], reverse=True)
return [s[0] for s in selected_stocks]
result = select_stocks()
print(result)
以上代码仅供参考，具体实现还需要根据自身需求进行调整。
## 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。
