问财量化选股策略逻辑
选股逻辑为：振幅大于1、股价为18.5元、30日平均线向上。选股策略主要考虑了股票价格波动性、价格合理性以及价格走势。
选股逻辑分析
该选股策略以振幅大于1、股价为18.5元、30日平均线向上为选股依据。振幅大于1反映了股票价格波动比较大，股价为18.5元则反映了股票价格的合理性，30日平均线向上则反映了股票价格的上行趋势。
有何风险？
与上一个选股逻辑相比，该选股策略增加了30日平均线向上作为一个选股指标，但该指标只考虑了短期价格走势趋势，没有考虑到基本面因素和整体行情环境等因素，存在选错股票的风险。
如何优化？
可以综合考虑其他技术指标和基本面因素用于选股，比如MACD、RSI、市盈率、市净率、股息率等基本面指标，同时，可以加入一些辅助指标，例如成交量、布林带、动能指标等，综合考虑更多因素。此外，可以加入股票的历史走势和趋势等因素，以更好地分析股票的潜在风险。
最终的选股逻辑
对于A股市场来说，选股逻辑为：振幅大于1、股价为18.5元、30日平均线向上。在这个选股基础上，可以逐步增加其他技术指标和基本面因素，加入历史趋势和预测分析等，综合考虑多个因素后做出投资决策。
同花顺指标公式代码参考
# 振幅大于1
SELECT1 = (HIGH-LOW)/HIGH > 0.01
# 股价为18.5元
SELECT2 = CLOSE == 18.5
# 30日平均线向上
SELECT3 = MA(CLOSE, 30) > REF(MA(CLOSE, 30), 1)
SELECT = SELECT1 AND SELECT2 AND SELECT3
以上为计算选股逻辑的通达信指标公式。选股指标为：振幅大于1、股价为18.5元、30日平均线向上。可根据实际投资需求进行修改。
Python代码参考
import pandas as pd
import tushare as ts
def get_selected_stocks():
# 获取tushare连接
ts.set_token('Your Token')
pro = ts.pro_api()
# 获取A股市场所有的股票
all_stocks = [ts_code for ts_code, name, industry in pro.stock_basic(fields='ts_code,name,industry', exchange='', list_status='L').values.tolist() if name[0] != 'S']
# 计算选股指标并依此进行选股
selected_stocks = []
for ts_code in all_stocks:
all_data = pro.stock_company(ts_code=ts_code, fields='pro_name,concept_name,industry,exchange,list_date,total_equity,market_type,holders')
if all_data.empty or all_data.iloc[0]['total_equity'] == 0 or (pd.Timestamp.now() - pd.to_datetime(all_data.iloc[0]['list_date'])).days < 365:
continue
quote_data = pro.stk_limit(ts_code=ts_code, end_date=(pd.Timestamp.now() - pd.Timedelta(days=1)).strftime('%Y%m%d'), fields='trade_date,pre_close,open,up_limit,down_limit')
if quote_data.empty:
continue
if quote_data['up_limit'].iloc[-1] == quote_data['down_limit'].iloc[-1]:
continue
daily_data = pro.daily(ts_code=ts_code, end_date=(pd.Timestamp.now() - pd.Timedelta(days=1)).strftime('%Y%m%d'), fields='high,low,open,close,vol')
if daily_data.empty or daily_data['low'].iloc[-1] >= daily_data['low'].iloc[0]:
continue
if daily_data['close'].iloc[-1] / daily_data['close'].iloc[-2] - 1 <= 0.01:
continue
if daily_data['close'].iloc[-1] <= MA(daily_data['close'], 30).iloc[-1] or MA(daily_data['close'], 30).iloc[-1] <= REF(MA(daily_data['close'], 30), 1).iloc[-1]:
continue
selected_stocks.append((all_data.iloc[0]['pro_name'], ts_code))
selected_stocks_sorted = sorted(selected_stocks, key=lambda x: pro.moneyflow(ts_code=x[1], trade_date=(pd.Timestamp.now() - pd.Timedelta(days=1)).strftime('%Y%m%d'))['net_mf_vol'].iloc[0]
if pd.notna(pro.moneyflow(ts_code=x[1], trade_date=(pd.Timestamp.now() - pd.Timedelta(days=2)).strftime('%Y%m%d'))['net_mf_vol'].iloc[0])
else 0, reverse=True)
return selected_stocks_sorted
以上为Python代码实现，选股逻辑为：振幅大于1、股价为18.5元、30日平均线向上。可根据实际需求进行修改。
## 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。
