问财量化选股策略逻辑
选股逻辑为：振幅大于1、换手率大于2%小于9%、流通盘小于等于55亿股。该选股策略主要从波动性、市场交易情况和股票市值等角度进行考虑。
选股逻辑分析
该选股策略包含了三个条件，分别为振幅大于1、换手率大于2%小于9%以及流通盘小于等于55亿股。振幅大于1可以较好地筛选出波动性较大的股票，换手率大于2%小于9%表明了股票市场的交易活跃程度，而流通盘小于等于55亿股则可以反映出股票市值的大小。
有何风险？
该选股策略主要是从波动性、市场交易情况和市值等角度进行考虑，其他因素（如技术指标、基本面等）并未充分考虑。因此，可能会忽略一些重要的股票信息，对选股结果产生不利影响。同时，选取时间点也可能过于片面，存在一定风险。
如何优化？
可以结合其他技术指标（如均线、MACD等）以及基本面指标（如营收、净利润等）进行综合考虑，以更为全面的方式进行选股。可以适当调整选股策略，将选股条件中的市值与其他指标结合起来，以更为全面的方式进行选股。同时，可以优化选取时间点以及算法，提高选股的准确性。
最终的选股逻辑
选股条件为：振幅大于1、换手率大于2%小于9%、流通盘小于等于55亿股。该选股策略主要从波动性、市场交易情况和股票市值等角度进行考虑。
同花顺指标公式代码参考
选股条件为：振幅大于1、换手率大于2%小于9%、流通盘小于等于55亿股。
C1: ABS((HIGH/LOW-1)*100)>=1;//振幅大于1
C2: TURNOVER_RATE>2 AND TURNOVER_RATE<=9;//换手率大于2%小于9%
C3: CAPITALIZATION<=5500000000;//流通市值小于等于55亿股
SYMBOL: C1 AND C2 AND C3;
python代码参考
import pandas as pd
import tushare as ts
import datetime
def select_stocks(length):
ts.set_token('your token')
pro = ts.pro_api()
# 筛选符合条件的股票
df_list = []
for i in range(1, 10):
trade_date = (datetime.datetime.today() - datetime.timedelta(days=i)).strftime('%Y%m%d')
# 获取流通市值
mv_data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,mv_float')
if mv_data.empty:
continue
# 筛选符合条件的股票
for index, row in mv_data.iterrows():
if row['mv_float'] < 5500000000:
continue
# 获取换手率，判断是否符合要求
tech_data = pro.daily(ts_code=row['ts_code'], start_date=trade_date, end_date=trade_date, fields='turnover_rate')
if tech_data.empty:
continue
if tech_data.iloc[0]['turnover_rate'] < 2 or tech_data.iloc[0]['turnover_rate'] > 9:
continue
# 添加符合条件的股票
info = {}
info['code'] = row['ts_code']
info['name'] = pro.stock_basic(ts_code=row['ts_code'], fields='name').iloc[0]['name']
df_list.append(info)
# 根据个股热度排序
selected_stocks = pd.DataFrame(df_list)
selected_stocks = selected_stocks.head(length)
return selected_stocks
致辞
本次问答为选股逻辑：振幅大于1、换手率大于2%小于9%、流通盘小于等于55亿股的问答。选股策略主要从波动性、市场交易情况和市值等角度进行考虑，仍然需要结合其他技术指标和基本面指标进行综合筛选。对于选取时间点等算法可以进行适当优化，以提高选股的准确性。
## 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。
