问财量化选股策略逻辑
选股逻辑：振幅大于1，底部抬高，10日涨幅大于0小于35。
选股逻辑分析
除了原有技术面指标外，该选股逻辑还加入了10日涨幅的条件。相较于前一个选股逻辑，增加了股票的涨幅判断，可以更好地综合考虑短期和中期因素。因此，此逻辑相比之前的逻辑可能在寻找高潜力股的准确度上更好一些。
有何风险？
对于10日涨幅，由于其所涉及股票量相对较小，因此可能存在信息不对称和噪音的情况。另外，振幅指标容易受到个股的市值和流通盘等因素影响，过度依赖可能造成因范围局限而遗漏一部分股票。
如何优化？
为了提高该选股逻辑的准确性，可以加入更多的技术面指标和基本面指标，如市场流动性、营收增长率等，全面考虑股票估值和公司业绩稳定性等方面因素。此外，可以对筛选出来的内容进行细致地二次校准，排除不符合条件的股票，从而提高策略的执行力。
最终的选股逻辑
基于以上分析，完善的选股逻辑如下：
1.振幅大于1；
2.底部抬高；
3.10日涨幅大于0小于35；
4.加入其他技术面、基本面和行业方面指标。
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 = BOTTOM(HIGH, C1) > BOTTOM(HIGH, C1 + 1) AND BOTTOM(HIGH, C1) > BOTTOM(HIGH, C1 + 2);
C3 = REF(CLOSE, 10) / CLOSE < 1.35 AND REF(CLOSE, 10) / CLOSE > 1;
SELECTOR = C1 AND C2 AND C3;
RESULT = SELECTOR;
python代码参考
以下是Python实现该选股策略的部分代码：
# 筛选符合条件的股票
def select_stocks(start_date, end_date):
selected_stocks = []
for stock in stocks:
# 获取该股票在指定时间内的历史K线数据
df_kline = get_price(stock, start_date=start_date, end_date=end_date, frequency='daily', fields=['open', 'high', 'low', 'close', 'volume'], skip_paused=True, fq='pre')
# 计算底部抬高指标和振幅，判断是否符合选股逻辑
c1 = df_kline['high'].std() > 1
c2 = BOTTOM(df_kline['high'], 2) > BOTTOM(df_kline['high'], 3) > BOTTOM(df_kline['high'], 4)
# 判断股票10日涨幅，判断是否符合选股逻辑
start_price = df_kline['close'][0]
end_price = df_kline['close'][9]
c3 = end_price / start_price < 1.35 and end_price / start_price > 1
# 加入其他技术面、基本面和行业方面指标的判断
# 选取符合条件的股票，加入结果列表中
if c1 and c2 and c3:
selected_stocks.append(stock)
return selected_stocks
result = select_stocks('2021-01-01', '2021-12-31')
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。
