问财量化选股策略逻辑
选股逻辑：振幅大于1，底部抬高，根据大单净量排行选择股票。
选股逻辑分析
该选股逻辑既关注技术面指标，又考虑了资金面因素，增加了选股的精度和可靠性。大单净量可以反映大资金的流入及情绪，是一个较为重要的指标。相比于严格限定股价或某技术指标值的选股策略，在实际操作中，该选股逻辑更为灵活和适用，同时也保留了判断股价表现的部分要素。
有何风险？
该选股逻辑的周期性仍然较强，忽略了公司的基本面和未来的发展潜力。只依靠单一的大单净量因素来进行筛选，容易被资金短暂的流入或流出所影响，增加了选股的波动和风险。同时，大资金的流入不代表公司股票长期的投资价值，如果没有同时考虑其它指标和因素，可能选出的股票并不是最有投资价值的。
如何优化？
除了振幅和底部的选择，可以引入其它技术指标和资金面的指标，如相对强弱指标、资金流入、市场成交金额等，从更多角度来综合判断股票的走势和资产价值。增加对公司基本面和未来发展的分析能力，如市场份额和行业地位、产品研发进度和财务状况等，以期选到具有较好成长潜力和估值的个股。
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.加入相对强弱指标、资金流入等指标；
4.引入市场成交金额等资金面指标；
5.结合公司市场份额、产品研发、财务状况等基本面指标；
6.综合考虑判断股票的走势和资产价值。
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);
C3 = RANK(POVI(1) - NEVI(1)) <= 10;
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
selected_stocks = []
for stock in stocks:
# 获取该股票的历史K线数据
df = get_price(stock, start_date=start_date, end_date=end_date, frequency='daily', fields=['open', 'high', 'low', 'close', 'volume'], skip_paused=True, fq='pre')
# 判断是否符合选股逻辑
c1 = df['high'].std() > 1
c2 = BOTTOM(df['high'], 2) > BOTTOM(df['high'], 3) > BOTTOM(df['high'], 4)
c3 = (df['volume'].iloc[-1] - df['volume'].iloc[-2]) > 0 and (df['open'].iloc[-1] <= df['close'].iloc[-1])
# 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
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。
