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，归属母公司股东的净利润（同比增长率）大于20%小于等于100%。
选股逻辑分析
该选股策略以技术面指标振幅和基本面指标机器人概念和流通市值为依据，加入了基本面归属母公司股东的净利润同比增长率的指标，以此选出具有上涨潜力和投资价值的股票。
有何风险？
该选股策略存在以下几方面的风险：
- 基本面指标归属母公司股东的净利润同比增长率作为财务指标，无法完全反映企业的长期发展趋势；
- 机器人概念股票可能存在市场热度因素的影响，存在评估偏差的风险；
- 基本面数据的质量和真实性可能存在一定的疑问，需要仔细筛选和判断；
- 选股策略可能会造成过度集中在具体的行业和板块，存在行业风险。
如何优化？
为了避免上述风险，可以从以下几个方面进行改进：
- 不仅结合基本面的财务指标，也要同时考虑企业的生产经营状况和未来发展趋势；
- 基于选定的股票进行更加深入的财务、基本面和行业分析；
- 对财务指标进行风险控制，降低一定程度的偏差风险；
- 对于机器人概念股票，关注市场热度和行业发展趋势等因素。
最终的选股逻辑
为了综合考虑技术面和基本面，可以完善选择逻辑如下：
- 振幅大于1，流通市值小于100亿，机器人概念的股票；
- 归属母公司股东的净利润（同比增长率）大于20%小于等于100%；
- 选择表现良好和基本面较稳定的行业或个股，如中小创、高新技术等；
- 结合其他技术分析指标和图形指标，判断股票的涨跌动量和趋势特征。
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;
// 归属母公司股东的净利润（同比增长率）
D0 = (NP_PARENT_COMP_TTM - NP_PARENT_COMP_TTM_1) / NP_PARENT_COMP_TTM_1 * 100 > 20 AND
(NP_PARENT_COMP_TTM - NP_PARENT_COMP_TTM_1) / NP_PARENT_COMP_TTM_1 * 100 <= 100;
// 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
# 判断净利润同比增长率是否符合条件
df['profit_condition'] = (df['np_parent_comp_ttm'] / df['np_parent_comp_ttm_1'] - 1) * 100 > 20
df['profit_condition'] = df['profit_condition'] & ((df['np_parent_comp_ttm'] / df['np_parent_comp_ttm_1'] - 1) * 100 <= 100)
# 判断市盈率和净资产收益率等财务指标
df['pe_condition'] = df['pe_ttm'] < 30
df['roe_condition'] = df['roe_ttm'] > 10
# 综合判断各种条件
exc_stocks = df[df['amplitude_condition'] & df['concept_condition'] &
df['capitalization_condition'] & df['profit_condition'] &
df['pe_condition'] & df['roe_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。
