(supermind)振幅大于1、昨天3连板、流通盘小于等于55亿股

问财量化选股策略逻辑

选股逻辑：振幅大于1，昨天3连板，流通盘小于等于55亿股。

选股逻辑分析

该选股逻辑通过以下几个方面来筛选标的：

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；
流通盘小于等于55亿股，以过滤市值较大的个股，以降低风险。

有何风险？

该选股策略存在以下风险：

忽略了基本面的因素，可能存在资产被定价过高或过低的风险；
流通盘的数据具有一定的滞后性，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：

增加基本面指标，如PE、PB等，降低投资风险；
将流通盘的数据进行实时处理，增加选择的标的符合要求的可能性。

最终的选股逻辑

改进后的选股逻辑如下：

振幅大于1；
昨天3连板；
流通盘小于等于55亿股；
PE小于50。

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(C,1)) >= 0.01 AND
REF(C,1) < REF(C,2) AND
CIRCULATINGS < 5.5e10 AND
PE < 50 AND
MARKET == SH
, 0)

其中，CIRCULATINGS为流通股本。

python代码参考

import pandas as pd
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)
    circulatings = quote['circulatings']
    df = pd.DataFrame(klines)

    # 其他指标
    PE = quote['pe']
    C1 = (circulatings <= 5.5e10)
    C2 = (PE < 50)

    # 总筛选
    selector = ((ABS((df['high'] - df['low']) / df['close'].shift(1)) >= 0.01) & (df['close'].shift(1) < df['close'].shift(2)))
    selector = selector & C1 & C2
    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、流通盘小于等于55亿股_