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, 60开头的股票。
选股逻辑分析
该选股策略选择了波动性较大、具有机器人概念、流通市值小于100亿且股票代码以60开头的股票。这种选股策略更关注企业的技术面特征而非基本面，因此投资者需仔细评估其风险和回报，不可一味追求高收益而忽略公司业绩和财务表现等实质因素。
有何风险？
该选股策略忽略了企业的财务表现等实质因素，因此在选择投资标的时存在着较大的风险。此外，选择开头为60的股票可能导致投资集中于某些板块和行业，容易被行业风险影响。还有可能因为仅仅关注技术面而忽略其他股市因素导致投资偏差。
如何优化？
该选股策略可优化如下：在关注企业的技术面特征的同时，加入更多的基本面指标，如PE、市净率、ROE、营收、净利等有助于评估企业的业绩、财务状况和估值情况，避免股票被高估或低估。同时，在股票代码的选择上，可以扩大区间范围，避免选择过于局限于特定的板块和行业。
最终的选股逻辑
经过改进后，我们提出以下选股逻辑：
- 振幅大于1；
- 机器人概念且流通市值小于100亿；
- 股票代码以60开头；
- 综合考虑技术面和基本面指标；
- 扩大区间范围，避免选择过于局限于特定的板块和行业。
同花顺指标公式代码参考
以下是通达信指标的代码示例：
F01:HIGH / LOW - 1 > 0.01; // 振幅大于1
F02:CONCEPT("机器人概念"); // 机器人概念
F03:CAPITALIZATION < 10000000000; // 流通市值小于100亿
F04:LEFT(DATE, 2) = "60"; // 股票代码以60开头
// 加入更多的基本面指标，如PE、市净率、ROE、营收、净利等
F05:PE < 50 AND PB < 10 AND ROE > 0 AND REVENUE > 0 AND NP > 0;
// 扩大区间范围
F06:INDUSTRY(M41) in (IndustryList(-1)); // 所有投资类行业
FILTER:F01 AND F02 AND F03 AND F04 AND F05 AND F06;
SYMBOL_SORT("热度", SORT_DESCEND);
SELECT IF(F07, 1, 0) AS GOTO;
python代码参考
以下是用 Python 代码实现该策略的选股逻辑：
def stock_filter(dv, symbol):
high = dv.get_ts('high', symbol=symbol)
low = dv.get_ts('low', symbol=symbol)
concept_robot = dv.get_ts('concept', symbol=symbol).apply(lambda x: "机器人" in x)
circulation_market_cap = dv.get_ts('circulation_market_cap', symbol=symbol)
code_prefix = dv.get_ts('code', symbol=symbol).apply(lambda x: x[:2] == "60")
year = dv.get_ts('year', symbol=symbol)
revenue = dv.get_ts('revenue', symbol=symbol)
np = dv.get_ts('np', symbol=symbol)
pe_ratio = dv.get_ts('pe_ratio', symbol=symbol).rolling(60).apply(lambda x: x[0])
pb_ratio = dv.get_ts('pb_ratio', symbol=symbol).rolling(60).apply(lambda x: x[0])
roe = dv.get_ts('roe', symbol=symbol).rolling(60).apply(lambda x: x[0])
# 计算标志：振幅大于1、流通市值小于100亿、机器人概念、以60开头、PE、PB、ROE、营收、净利均大于0、所有投资类行业
selected_stocks = (
(high / low - 1 > 0.01).any(axis=0) &
concept_robot &
(circulation_market_cap < 10000000000) &
code_prefix &
(pe_ratio < 50) &
(pb_ratio < 10) &
(roe > 0) &
(revenue > 0) &
(np > 0) &
(dv.get_ts('industry_citic', symbol=symbol) in dv.get_industries(-1)["industry_name"].tolist())
)
# 按照热度排名进行排序
selected_stocks = selected_stocks[selected_stocks].sort_values(by='heat_rank', ascending=False)
return selected_stocks.index.tolist()
该代码示例使用了 Python 实现该选股逻辑，加入了更多的基本面指标，同时扩大区间范围，避免选择过于局限于特定的板块和行业。
## 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。
