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，昨日竞价换手率大于0.26。
选股逻辑分析
该选股策略在前面的选股逻辑上加入了昨日竞价换手率的条件，意味着股票在前一天有比较大的交易量，具有一定的市场热度。但是，竞价交易量并不是非常稳定，需要结合其它因素进行判断。
有何风险？
本选股策略的风险主要有以下几个方面：
- 竞价交易量的不稳定性会影响选股的结果；
- 机器人概念的市场热度可能不够稳定；
- 该策略并未针对机器人概念股票的基本面进行考虑。
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：
- 将竞价交易量与市场走势等多重指标结合，制定更为全面的投资策略；
- 增加基本面分析和技术面分析，以更加细致地判断股票的市场情况；
- 针对机器人概念股票的行业特点，制定更为细致的选股策略；
- 加强风险控制的意识，例如实现止损等风控策略。
最终的选股逻辑
为了综合考虑基本面和市场走势等因素，可以将选股策略完善如下：
- 振幅大于1，流通市值小于100亿，机器人概念的股票；
- 昨日竞价换手率大于0.26；
- 增加基本面分析、技术面分析和风控措施等，以获得更为全面的投资策略。
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;
// 昨日竞价换手率
D0 = REF(JJHB, 1) > 0.26;
// 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
# 判断昨日竞价换手率是否符合条件
df['jjhb_condition'] = df['jjhb'].shift(1) > 0.26
# 综合判断各种条件
exc_stocks = df[df['amplitude_condition'] & df['concept_condition'] &
df['capitalization_condition'] & df['jjhb_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。
