问财量化选股策略逻辑
选股逻辑：振幅大于1，机器人概念且流通市值小于100亿，2021年营收/2018年营收大于1.1。
选股逻辑分析
该选股策略主要通过振幅、机器人概念和流通市值等基本面指标，加上财务面指标中的2021年营收和2018年营收的比值，来选出具有成长性的股票。选股的逻辑比较全面，既考虑了技术面也综合了财务面指标。
有何风险？
该选股策略的风险主要有以下几点：
- 财务数据的准确性和可靠性存在一定的风险；
- 依赖财务数据进行选股，可能容易受到不完全预期的市场影响；
- 对于营收快速增长的公司，未来可持续性存在较大的不确定性。
如何优化？
为了优化选股策略，可以从以下几个方面进行改进：
- 对财务数据进行合理的财务分析，确定仅依赖营收增长作为选股指标的风险；
- 结合其他财务指标如净利润和净资产等，来达到更可靠的财务分析；
- 根据行业特点，制定符合该行业的财务选股指标。
最终的选股逻辑
为了综合考虑技术面和基本面指标，可以将选股策略完善如下：
- 振幅大于1，流通市值小于100亿，机器人概念股票；
- 财务面指标为2021年营收/2018年营收大于1.1；
- 选股池过筛后，再结合其他技术和财务指标进行分析；
- 加强风险控制意识。
同花顺指标公式代码参考
为了实现选股逻辑，可以结合同花顺提供的指标公式，如下：
// 振幅
A0 = ((HIGH - LOW) / LOW) > 0.01;
// 机器人概念
B0 = CONCEPT IN ("智能机器人");
// 流通市值小于100亿
C0 = CAPITALIZATION < 10000000;
// 财务指标：2021年营收/2018年营收大于1.1
D0 = REVS_2021 / REVS_2018 > 1.1;
// 综合判断
IF(A0 AND B0 AND C0 AND D0, 1, 0)
python代码参考
为了实现选股逻辑，可以结合Python的pandas等模块和优矿的数据API，如下：
# 获取股票数据和财务数据
df = get_data(context.trade_date, context.holding_num)
concept_stocks = get_concept_stocks(['智能机器人'])
# 计算振幅
df['amplitude'] = (df['high'] - df['low']) / df['low']
# 判断振幅是否符合条件
df['amplitude_condition'] = df['amplitude'] > 0.01
# 判断是否为机器人概念股票
df['concept_condition'] = df['code'].isin(concept_stocks)
# 判断流通市值是否符合条件
df['capitalization_condition'] = df['market_value'] < 10000000
# 判断财务条件是否符合
df['revenue_condition'] = df['revenue_2021'] / df['revenue_2018'] > 1.1
# 综合判断各种条件
exc_stocks = df[df['amplitude_condition'] & df['concept_condition'] &
df['capitalization_condition'] & df['revenue_condition']].sort_values(by='market_value', ascending=False).iloc[:context.holding_num]
注意事项：本回答中的选股逻辑、指标公式和Python代码仅供参考，实现过程中需要根据具体投资策略进行作出一定的调整优化。
## 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。
