(supermind)振幅大于1、昨天3连板、昨天龙虎榜

问财量化选股策略逻辑

选股逻辑：振幅大于1，昨天3连板，昨天龙虎榜。

选股逻辑分析

该选股逻辑综合考虑了以下几个方面的因素：

振幅大于1，以过滤市场活跃且波动比较剧烈的个股；
昨天3连板，表明市场对该标的的买入态势较为明显；
昨天龙虎榜，表明该标的可能存在一些消息面的利好或利空。

有何风险？

该选股策略存在以下风险：

对振幅的界定并不明晰，可能存在标的被错过或者误选的情况；
龙虎榜数据存在一定滞后性，存在可能选择的标的不符合要求的情况。

如何优化？

为了优化该选股逻辑的准确性，可以考虑以下方案：

对振幅进行更加细致的界定，降低标的的漏选或误选；
从多个数据源中获取龙虎榜数据，增加选择的标的符合要求的可能性。

最终的选股逻辑

改进后选股逻辑如下：

振幅大于1.5%；
昨天3连板；
昨天龙虎榜；
流通市值小于等于30亿，剔除市值较大的标的。

同花顺指标公式代码参考

该选股逻辑的通达信指标公式如下：

FILTER(
ABS((HIGH-LOW)/REF(CLOSE,1))>=0.015 AND
REF(HIGH,1)==REF(HIGH,2) AND
REF(LOW,1)==REF(LOW,2) AND
CIRCULATINGS < 3e10 AND
MARKET == SH
, 0)

其中，CIRCULATINGS为流通股本。

python代码参考

import pandas as pd
from datetime import datetime
from tqsdk import TqApi, TqAuth

api = TqApi(auth=TqAuth("YOUR_ACCOUNT", "YOUR_PASSWORD"))

symbol_list = ["SHFE.rb2101", "DCE.i2101"]
for symbol in symbol_list:
    klines = api.get_kline_serial(symbol, 24 * 60 * 60, data_length=500)
    quote = api.get_quote(symbol)
    date = api.get_trading_day_time()
    df = pd.DataFrame(klines)

    # 其他指标
    C1 = (df['close'].max() / df['close'].min() - 1 >= 0.015)
    C2 = (ALL(df['close'].shift(n) == df['close'].shift(n+1) for n in range(3)).iloc[-1])
    C3 = (api.query_lhb(symbol, date=date, date__lte=date)['data']['buy_value'] > 0)

    # 总筛选
    circulatings = quote['circulatings']
    C4 = (circulatings <= 3e10)
    selector = C1 & C2 & C3 & C4
    result = df[selector == 1].sort_values(by='amount', ascending=False).index.tolist()

    ## 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、昨天3连板、昨天龙虎榜_