问财量化选股策略逻辑
选股逻辑：振幅大于1、昨天连续3日涨停、（昨日换手率×（今日竞价成交量/昨日成交量））>0.5且<2。
选股逻辑分析
该选股逻辑主要考虑了股票的市场活跃度和持续上涨的趋势，将振幅大于1和昨天连续3日涨停作为基础条件，以确保市场活跃的高热度个股。同时引入换手率和竞价成交量的概念，加以计算判断，找出成交水平和市场热度适中的标的，以稳健的方式获取更好的收益。
有何风险？
以下是该选股策略存在的风险：
- 忽略公司的基本面和长期投资价值；
- 仅仅从短期数据和现象出发，无法反映企业具体的内外部环境变化；
- 时间较长的强势股难以被筛选出来，如龙头股和周期股等。
如何优化？
为了优化该选股逻辑，可以考虑以下优化方案：
- 结合市场情况和板块走势，科学选股，如强势股、板块龙头等等；
- 基于公司的基本面、估值、盈利预期等因素更全面地分析股票价值，对于一些主厨变脸、行业变化的股票，持有周期要灵活调整；
- 区分短期和长期的投资需求，合理配置资产，分散风险，以稳健为先。
最终的选股逻辑
改进后的选股逻辑如下：
- 振幅大于1；
- 连续3日上涨；
- (昨日换手率×（今日竞价成交量/昨日成交量）)>0.5且<2；
- 结合市场情况和板块走势，全面分析公司的基本面和估值。
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：
暂无
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", 24 * 60 * 60, data_length=300) # 获取 df 数据, 周线为周期
df = pd.DataFrame(klines)
C1 = (df['high'] - df['low'] >= 1)
C2 = df.groupby('contract.symbol')['close'].apply(lambda x: (x.shift(1) == x.max()) & \
(x.shift(2) == x.max()) & \
(x.shift(3) == x.max())).astype(int)
C3 = ((df['turnover_rate'].shift(1) * df['presettle'] / df['settlement'].shift(1) > 0.5) & \
(df['turnover_rate'].shift(1) * df['presettle'] / df['settlement'].shift(1) < 2)).astype(int)
selector = (C1 & C2 & C3).astype(int)
result = df[selector == 1].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。
