问财量化选股策略逻辑
选股逻辑为：振幅大于1，流通市值大于100亿元，涨幅在一定范围内。该选股策略注重个股的交投活跃度、公司规模和市场表现。
选股逻辑分析
该选股策略注重交投活跃度、公司规模和市场表现，选取了振幅大于1，流通市值大于100亿元和涨幅在一定范围内的股票。振幅大于1是为了选取交投活跃度较高的个股，流通市值大于100亿元则注重公司规模，而涨幅在一定范围内可以反映个股的市场表现。此外，对于涨幅的限制范围较为宽泛，也可以降低选择个股的风险。
有何风险？
该选股策略忽略了公司基本面和行业因素等长周期因素，存在选股结果不够全面的风险。此外，个股表现的好坏不一定能够持续，投资者应该在选择个股时综合考虑其长期表现和基本面。
如何优化？
可以在现有选股逻辑的基础上引入更多的指标，如市盈率、市净率、收益率等基本面数据来进行综合考虑，确保对于个股的评估更加全面。此外，可以加入行业因素，考虑股票所处的行业和板块，进一步降低选股的风险。
最终的选股逻辑
选股条件为：振幅大于1，流通市值大于100亿元，涨幅在一定范围内。该选股策略注重个股的交投活跃度、公司规模和市场表现。
同花顺指标公式代码参考
C1: ABS((HIGH/LOW-1)*100) >= 1; //振幅大于1
C2: CIRC_MV > 10000000000; //流通市值大于100亿元
C3: (CLOSE - OPEN) / OPEN * 100 < 2.6 AND (CLOSE - OPEN) / OPEN * 100 > -5; //涨幅在一定范围内
C4: MARKET='SH'; //主板股票
SYMBOL: C1 AND C2 AND C3 AND C4;
python代码参考
import pandas as pd
import tushare as ts
def select_stocks(length):
ts.set_token('your_token')
pro = ts.pro_api()
# 获取所有股票数据
data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,market')
# 筛选符合条件的股票
df_list = []
for i in range(len(data)):
code = data.iloc[i]['ts_code']
market = data.iloc[i]['market']
if market != 'SH': # 非主板股票
continue
quote = pro.futu_quote(code).iloc[0] # 获取实时行情
if abs((quote['high'] / quote['low'] - 1) * 100) < 1: # 振幅小于1
continue
circ_mv = pro.daily_basic(ts_code=code, trade_date=quote['date'], fields='circ_mv').iloc[0]['circ_mv'] # 流通市值
if circ_mv < 10000000000: # 流通市值小于100亿元
continue
price_change = (quote['close'] - quote['open']) / quote['open'] * 100 # 涨幅
if price_change > 2.6 or price_change < -5: # 涨幅不在范围内
continue
info = {}
info['ts_code'] = code
info['name'] = data.iloc[i]['name']
df_list.append(info)
# 随机选择一定数量的股票
selected_stocks = pd.DataFrame(df_list)
selected_stocks = selected_stocks.sample(n=length)
return selected_stocks
## 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。
