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、500日内至少2次涨停。该选股策略旨在发掘具有较好的技术面、市场情绪向好的股票，也可以用于短线和中线投资者的筛选。
选股逻辑分析
该选股策略以振幅大于1、股价为18.5元、500日内至少2次涨停为选股条件。选股的目的在于聚焦市场热点和资金流入情况，同时也较好地反映了市场情绪、市场资金流动等因素，适用于较为波动的市场环境。
有何风险？
该选股策略高度依赖市场情绪和历史涨停板的记录，如果市场爆冷和大幅下跌，涨停板记录和市场情绪将失去参考价值。涨跌停板是市场机制的一部分，而非固定的选股标准，仅以其数量为选股标准可能忽略了其它重要的因素，并难以获得更好的选股效果。
如何优化？
在选股时不仅要关注市场情绪，还应该关注其它重要因素，如公司基本面、行业分析等。并且，涨停板应作为辅助指标而非主要的选股标准。在实际应用时，应该根据实际情况调整选股指标，构建全面的选股模型。
最终的选股逻辑
选股逻辑为：振幅大于1、股价为18.5元、500日内至少2次涨停，并结合公司基本面、市场形势等多种因素进行选股。
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
# 500日内至少2次涨停
SELECT3 = REF(CLOSE, 1) < REF(HSL/100, 2) AND CLOSE >= HSL/100
SELECT = SELECT1 AND SELECT2 AND SELECT3
以上为计算选股逻辑的同花顺指标公式。即选股指标为：振幅大于1、股价为18.5元、500日内至少2次涨停。同时还应该加入公司基本面、市场形势等因素，以构建全面的选股模型。
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:
continue
if all_data.iloc[0]['market_type'] != 1 or all_data.iloc[0]['holders'] == '非公开发行股份上市':
continue
quote_data = pro.daily(ts_code=ts_code, start_date=(pd.Timestamp.now() - pd.Timedelta(days=500)).strftime('%Y%m%d'), end_date=pd.Timestamp.now().strftime('%Y%m%d'), fields='ts_code,trade_date,open,high,low,close,vol,amount')
if quote_data.empty or len(quote_data) < 120:
continue
hsl_data = pro.stk_limit(ts_code=ts_code, start_date=(pd.Timestamp.now() - pd.Timedelta(days=500)).strftime('%Y%m%d'), end_date=pd.Timestamp.now().strftime('%Y%m%d'), fields='ts_code,trade_date,up_limit')
hsl_data['hsl'] = hsl_data['up_limit'] / hsl_data['close']
quote_data = pd.merge(left=quote_data, right=hsl_data[['trade_date', 'hsl']], on='trade_date', how='left')
quote_data['hsl'] = quote_data['hsl'].fillna(method='ffill')
quote_data['count'] = ((quote_data['close'] >= quote_data['hsl']) & (quote_data['close'].shift(1) < quote_data['hsl'].shift(2))).cumsum()
if quote_data['count'].max() < 2:
continue
if quote_data['low'].min() == 0 or quote_data['high'].max() / quote_data['low'].min() < 1.01:
continue
if quote_data['close'][-1] != 18.5:
continue
selected_data = quote_data.iloc[-1].copy()
selected_data['ts_code'] = ts_code
selected_data['pro_name'] = all_data.iloc[0]['pro_name']
selected_stocks.append(selected_data)
selected_stocks_sorted = sorted(selected_stocks, key=lambda x: x['vol'], 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、500日内至少2次涨停，并结合公司基本面、市场形势等多种因素进行选股。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。
