问财量化选股策略逻辑
选股逻辑：振幅大于1,周线红柱,集中度70<20%。
选股逻辑分析
该选股策略主要考虑了技术面、市值和资金面等因素。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上涨趋势。集中度70<20%表明所选股票属于市场比较集中的板块，流动性相对较好。
有何风险？
由于此选股策略忽略了一些股票的基本面因素，可能会选出一些质量较差的公司。另外，集中度20%的限制也有可能漏选一些市值较小但与大盘走势相关的股票。
如何优化？
可以适当加入基本面指标，例如ROE、净利润等，来筛选出综合性较高的优质股票。另外，可以适当调整选股标准，放宽集中度限制，增强筛选的广度。
最终的选股逻辑
经过优化，最终选股逻辑如下：
1.振幅大于1；
2.周线为红柱；
3.集中度小于70%且大于20%。
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;
C3 = GET_RANK(MCAP()) / COUNT(EXISTS(1, GET_RANK(MCAP()))) < 0.7;
C4 = GET_RANK(MCAP()) / COUNT(EXISTS(1, GET_RANK(MCAP()))) > 0.2;
SELECTOR = REF(SORT(RANK(VOL()/MEAN(VOL(),20)),1),0) == 0;
RESULT = SELECTOR AND C1 AND C2 AND C3 AND C4;
其中，使用了 GET_RANK(MCAP()) 函数计算股票市值排名，使用 COUNT(EXISTS(1, GET_RANK(MCAP()))) 计算总股票数，从而得到集中度指标。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_index_stocks('399001.SZ'):
# 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)
# 获取最近一天的基本面数据
s_df = get_fundamentals(query(valuation, indicator).filter(valuation.code==stock).limit(1), date=datetime.now())
if s_df.empty or macd_df.empty:
continue
# 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
mcap_rank = get_rank(s_df['circulating_market_cap'][0], start_date=datetime.now(), end_date=datetime.now())[0]
total_count = get_security_count(['stock'], date=datetime.now())
c3 = mcap_rank / total_count < 0.7
c4 = mcap_rank / total_count > 0.2
if c1 and c2 and c3 and c4:
selected_stocks.append(stock)
return 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。
