(supermind)振幅大于1、底部抬高、涨跌幅×超大单净量

问财量化选股策略逻辑

选股逻辑：振幅大于1，底部抬高，涨跌幅×超大单净量。

选股逻辑分析

该选股策略同样结合了技术指标和市场数据，通过振幅、底部抬高等技术指标判断市场走势，然后结合当天的涨跌幅度和超大单净量等市场数据，筛选出当天表现较为良好的股票。

有何风险？

该选股策略同样可能忽略一些潜在优质股票，因为其依然只考虑了市场数据和技术指标等单一因素，同时，涨跌幅度和超大单净量等指标也可能受到市场异常波动等因素影响，造成筛选出的个股表现较为不稳定。

如何优化？

该选股策略同样可以结合其他技术指标如MACD、KDJ等进一步筛选个股，并结合股票市值、成交量等因素，进一步筛选市场上表现优秀的股票。

最终的选股逻辑

在分析和优化该选股策略后，我们可以得到最终的选股逻辑：

振幅大于1；
底部抬高；
涨跌幅度×超大单净量大于一定阈值；
剔除ST和*ST股票；
止损条件：当K线或收盘价跌破布林带中轨时，卖出。

同花顺指标公式代码参考

以下是在同花顺上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:ABS((CLOSE-REF(CLOSE,1))/REF(CLOSE,1)*1000000)*BIGVOL() > 2000000000;
C4:NOT(INSTR('ST',SINFO) OR INSTR('*ST',SINFO));
C5:DEA()>DEA(1) AND DEA()>0;
C6:CLOSE>BOLLMA(CLOSE,20);
C7:CLOSE>REF(BOLLMA(CLOSE,20),1);
C8:(CLOSE<BOLLUPR(CLOSE,20,2)) OR ((CLOSE>=BOLLUPR(CLOSE,20,2)) AND (CLOSE>REF(CLOSE,1)));
SELECTOR:=C1 AND C2 AND C3 AND C4 AND C5 AND C6 AND C7 AND C8;
RESULT:=SELECTOR;

Python代码参考

以下是Python实现该选股策略的选股逻辑的代码：

from stockstats import StockDataFrame

# 转换为 StockDataFrame
sdf = StockDataFrame.retype(df)

# 计算涨跌幅度×超大单净量
sdf['big_vol'] = sdf['volume'] * (sdf['close'] - sdf['open'])
sdf['change_volume'] = sdf['big_vol'].rolling(window=C1).sum() / sdf['volume'].rolling(window=C1).sum()

# 筛选振幅大于1，底部抬高，涨跌幅度×超大单净量大于一定阈值
selected_stocks = (sdf['amp'] > 1) & \
                   (sdf['low'].rolling(window=C1).apply(lambda x: (np.argmax(x[-C1:]) == C1 - 1) and (np.argmax(x[:-C1]) < np.argmax(x[-C1:])), raw=False)) & \
                   (sdf['change_volume'] > C2) & \
                   (~sdf['scode'].str.contains('ST')) & \
                   (~sdf['scode'].str.contains('*ST'))

# 加入止损策略：当K线或收盘价跌破布林带中轨时，卖出
sdf['mean'] = sdf['close'].rolling(window=20).mean()
sdf['std'] = sdf['close'].rolling(window=20).std()
sdf['lower'] = sdf['mean'] - 2 * sdf['std']
sdf['close_1'] = sdf['close'].shift(1)

sdf['sell_signal'] = (sdf['kdjk'] < sdf['kdjd']) & (sdf['kdjk'] < sdf['kdjj']) & \
                     ((sdf['close'] < sdf['mean']) | (sdf['close_1'] < sdf['mean'])) 
selected_stocks = selected_stocks & (~sdf['sell_signal'])

# 返回选中个股的代码
return selected_stocks['scode'].tolist()

通过在Python中实现该选股逻辑，可以更加灵活地结合多种技术指标和市场数据进行深度筛选和智能选股，同时也可以利用机器学习和其他算法不断完善略策略，以达到更优秀的选股表现。

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(supermind)振幅大于1、底部抬高、涨跌幅×超大单净量_