问财量化选股策略逻辑
选股逻辑：振幅大于1，底部抬高，北京A股除外。
选股逻辑分析
该选股逻辑依然保留了经典的技术面指标，即振幅和底部抬高，同时排除了北京地区的A股，避免一些特殊的市场波动造成的影响，适用于大部分A股市场。该逻辑对维持选股的可行性和稳定性具有积极作用。
有何风险？
基于北京地区的特殊地位，排除了北京的A股，可能导致一些优质的、估值合理的北京地区上市公司被排除在外。此外，仅依靠技术面指标进行选股，难免会出现一些技术面良好但基本面较差的股票，可能会丧失较好的股票选取机会。
如何优化？
为了提高该选股逻辑的可靠性和有效性，考虑到北京地区A股的特殊情况，可以在排除北京地区A股的同时增加一些其他限制条件，如剔除行业具有特殊性的股票、剔除财务数据异常的个股等，提高选股的准确性与可持续性。此外，可以加入一些基本面指标作为辅助指标，以在一定程度上避免技术面指标的盲目性和局限性。
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.排除北京地区A股；
4.剔除行业具有特殊性的股票、财务数据异常等情况；
5.加入其他技术面和基本面指标。
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 = GET_EXG_NAME() != '北京';
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:
# 排除北京地区A股
if get_security_info(stock).province == '北京':
continue
# 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)
# 剔除行业具有特殊性的股票和财务数据异常等情况
# 加入其他技术面和基本面指标的判断
# 选取符合条件的股票，加入结果列表中
if c1 and c2:
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。
