问财量化选股策略逻辑
选股逻辑：振幅大于1，底部抬高，反包。
选股逻辑分析
该选股逻辑同样结合了技术面指标，具有一定的综合性。振幅和底部抬高指标可以较好地反映股票的价格走势，反包可以较好地反映市场的买卖氛围。该选股逻辑相对简单，易于操作，适用于投资者对股市走势较为敏感的场景。
有何风险？
该选股逻辑较为依赖股市短期走势和市场买卖氛围，可能存在一些市场情况导致走势快速转变，捕捉不到市场的真实走势。此外，反包指标容易受到股票停牌及复牌等因素的影响而产生误判。
如何优化？
为了提高该选股逻辑的可靠性和有效性，可以加入一些其他的技术面指标，如成交量、均线系统等，加强对股票价格的判断。同时，可以对反包指标进行进一步的优化和筛选，避免受到股票停牌等因素的影响。此外，可以根据实际情况制定相应的止盈止损策略，降低投资风险。
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.反包；
4.加入其他技术面指标的判断。
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, 2) > BOTTOM(HIGH, 3) > BOTTOM(HIGH, 4);
C3 = REVBOLL(CLOSE, 5, 5) == BOLL(CLOSE, 5, 5) AND REVBOLL(CLOSE, 5, 5 + 1) < BOLL(CLOSE, 5, 5 + 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)
# 计算反包指标，判断是否符合选股逻辑
boll_up5 = boll(df_kline, 5, 5)
boll_up6 = boll(df_kline, 5, 6)
filter1 = df_kline['close'].shift(1) <= boll_up6['up'].shift(1)
filter2 = (df_kline['close'].shift(1) > boll_up6['up'].shift(1)) & (df_kline['close'].shift(2) <= boll_up5['up'].shift(2))
filter3 = (df_kline['close'].shift(1) > boll_up6['up'].shift(1)) & (df_kline['close'].shift(2) > boll_up5['up'].shift(2)) & (df_kline['close'].shift(3) <= boll_up5['up'].shift(3))
c3 = filter1 | filter2 | filter3
# 加入其他技术面指标的判断
# 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。
