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,（昨日换手率*（今日竞价成交量/昨日成交量））>0.5<2。
选股逻辑分析
该选股策略在振幅大、机器人概念和流通市值小于100亿的基础上，结合了股票的换手率和近期的交易情况，即根据昨日的换手率和今日的竞价成交量、昨日成交量的综合来判断股票的流动性和市场情绪，选择流动性较好、市场情绪积极的股票。该方法主要考虑技术面和市场情绪的因素，希望通过选取积极的市场情绪股票，达到获得高收益的目标。
有何风险？
该选股策略可能存在以下风险：
- 没有对公司基本面、经营风险以及行业前景进行足够的考虑；
- 选股因素单一，可能选出的股票存在过度集中的风险；
- 对于昨日成交量不足的股票，该指标没有很好的应用效果。
如何优化？
为减少风险，可以从以下几个方面进行改进：
- 对基本面、行业前景以及公司财务状况进行全面分析，或者结合其他因素构建多维度选股策略；
- 加入更全面的市场情绪和资金流量的因素，如短线均线形态等，减小选股因素的单一性，降低选出股票的过度集中风险；
- 采用符合实际情况的回测方法，如设置买入时机并进行实盘操作的策略验证，降低数据样本的不真实性。
最终的选股逻辑
为提高策略的可靠性和有效性，最终的选股逻辑如下：
- 振幅大于1、机器人概念、流通市值小于100亿的股票；
- （昨日换手率*（今日竞价成交量/昨日成交量））>0.5<2，选取相对流动性更好的股票；
- 对于公司基本面和财务数据以及行业前景进行全面分析，结合市场情绪和资金流的因素建立多维度评价体系。
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
A1 = ((H - L) / L) > 0.01;
// 机器人概念
B1 = CONCEPT IN ("智能机器人");
// 流通市值小于100亿
C1 = CAPITALIZATION < 100000000;
// 持续两天的换手率>=5%
D1 = (V / MA(V, 60)) >= 0.05
D2 = REF(D1, 1)
D3 = REF(D1, 2)
D4 = REF(D1, 3)
D5 = REF(D1, 4)
D6 = REF(D1, 5)
D7 = REF(D1, 6)
// 今日开盘价的交易额
E1 = VOL * OPEN;
E2 = REF(VOL, 1) * REF(OPG, 1)
// 换手率、今日竞价成交量、昨日成交量的综合判断
F1 = ((D1 + D2 + D3 + D4 + D5 + D6 + D7) >= 2) AND (E1 / E2 > 0.5) AND (E1 / E2 < 2);
// 合并条件
IF(A1 AND B1 AND C1 AND F1, 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MA数据
stock_data = get_stock_data()
# 判断振幅是否符合条件
stock_data['amplitude'] = (stock_data['high'] - stock_data['low']) / stock_data['low']
stock_data['amplitude_condition'] = stock_data['amplitude'] > 0.01
# 判断是否为机器人概念股票
concept_stocks = get_concept_stocks(['智能机器人'])
stock_data['concept_condition'] = stock_data['code'].isin(concept_stocks)
# 判断流通市值是否符合条件
stock_data['capitalization_condition'] = stock_data['market_cap'] < 100000000
# 判断换手率、今日竞价成交量和昨日成交量的综合条件是否符合
stock_data['volume_condition'] = False
for i in range(7):
vol = stock_data['volume']
vol_ma = talib.MA(vol, timeperiod=60)
change_vol = vol / vol_ma
current_vol = vol * stock_data['open']
current_vol_shift1 = stock_data['volume'].shift(1) * stock_data['open'].shift(1)
condition = (change_vol >= 0.05) & (current_vol / current_vol_shift1 > 0.5) & (current_vol / current_vol_shift1 < 2)
stock_data['volume_condition'] |= condition
# 合并条件
df = pd.concat([stock_data['amplitude_condition'], stock_data['concept_condition'], stock_data['capitalization_condition'], stock_data['volume_condition']], axis=1)
exc_stocks = df[df.all(axis=1)]
# 定时调整投资组合
selected_stocks = adjust_selected_stocks(exc_stocks)
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。
