问财量化选股策略逻辑
选股逻辑：振幅大于1，底部抬高，流通盘小于等于55亿股。
选股逻辑分析
该选股逻辑综合考虑了技术面和基本面指标，除了考虑价格特征外，还加入了流通盘作为筛选条件，进一步限制了投资范围，筛选出更具潜力的股票。
有何风险？
该选股逻辑中加入了基本面指标，但流通盘变动较快，存在股票筛选与实际情况有差距的情况。同时，该选股逻辑中的底部抬高和圆弧形需要较长的时间来表现，易被短期波动所干扰，需要适当调整。
如何优化？
为了更全面地筛选股票，可以加入其他基本面指标，如财务数据、经营数据等，借助机器学习等模型，对以上指标进行综合考虑，寻找更具潜力的股票。此外，可以根据不同的市场环境和投资策略，调整选股逻辑，找到最适合自己的选股策略。
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.流通盘小于等于55亿股；
4.加入其他基本面指标；
5.借助机器学习模型进行综合考虑；
6.根据不同投资策略进行适当调整。
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 = FREE_SHARE <= 5500000000;
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线数据和基本面数据
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')
df_fundamental = get_fundamentals(query(fundamentals.eod_derivative_indicator.market_cap).filter(fundamentals.stockcode == stock), start_date=start_date)
# 计算底部抬高指标和流通盘指标，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)
c3 = df_fundamental['market_cap'][0] <= 5500000000
# 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。
