问财量化选股策略逻辑
选股逻辑：振幅大于1、昨天有3连板、流通市值在50-100亿之间。
选股逻辑分析
该选股策略依据股票的技术面、市值等方面进行筛选，通过振幅、连板情况和流通市值，筛选出市值适中、价格波动较大的个股。该策略相对较为稳健，但由于未考虑公司基本面的数据，增加了一定的不确定性。
有何风险？
以下是该选股策略的存在的风险：
- 投资者应注意流通市值的波动情况，价格波动较大的情况下，流通市值有可能会变化；
- 不考虑基本面数据可能造成业绩不佳的公司被选中；
- 市场波动较大，发生黑天鹅事件或广泛调整可能会对整个市场产生影响，看好的股票价格也会下跌。
如何优化？
为了降低风险，我们可考虑以下优化：
- 在选股策略中加入基本面数据，以更全面的视角进行股票筛选；
- 降低价格波动风险，考虑选择市场中的蓝筹股，避免选择小盘股；
- 通过合理设定止盈止损点，进行风险管理，避免损失过大。
最终的选股逻辑
改进后的选股逻辑如下：
- 挑选振幅大于1，昨天有3连板的股票；
- 选股时限制流通市值在50-100亿之间；
- 在考虑流通市值范围内，优先选择市场中的蓝筹股。
同花顺指标公式代码参考
由于该策略没有涉及到同花顺的独有指标，因此无需提供指标公式代码。
python代码参考
import pandas as pd
from tqsdk import TqApi, TqAuth
api = TqApi(auth=TqAuth("YOUR_ACCOUNT", "YOUR_PASSWORD"))
klines = api.get_kline_serial("SHFE.rb2101", 15 * 60, data_length=300) # 取得 df 数据
df = pd.DataFrame(klines)
C1 = (df['high'] - df['low'] >= 1)
C2 = df.groupby('contract.symbol')['close'].apply(lambda x: (x.shift(1) > x.shift(2)) & \
(x.shift(2) > x.shift(3)) & \
(x.shift(3) > x.shift(4))).astype(int)
C3 = (df['close'].rolling(7).apply(lambda x: x[-1] < x.mean(), raw=True).astype(float) == 1.0)
C4 = (df['float_mv'] >= 5000000000) & (df['float_mv'] <= 10000000000)
selector = (C1 & C2 & C3 & C4).astype(int)
result = df[selector == 1].sort_values('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。
