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、今日均线向上发散。该选股策略旨在寻找具备较强的市场资金流向和技术面的股票，也适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、今日均线向上发散为选股条件。其原因是：振幅大于1反映了市场波动性较大，股价为18.5元是市场中的一个比较稳固的价格区间，今日均线向上发散则反映了股价短期走势的强势和资金的积极性。该选股方案适用于较为活跃的市场环境。
有何风险？
该选股逻辑的风险在于，只关注短期股价走势，忽视了公司的基本面等因素。盲目追求短期高涨，容易陷入盲目追涨杀跌的错误操作。同时，市场波动较大的股票容易受到市场情绪影响，增加了风险。
如何优化？
在选股时，可以加入其它指标以构建多因子选股模型，例如行业板块热度、公司质量、基本面分析等。同时，也应该关注公司长期的发展趋势和潜力，避免盲目追逐短期涨幅，同时结合长期和短期因素进行选股，以降低风险。
最终的选股逻辑
选股逻辑为：振幅大于1、股价为18.5元、今日均线向上发散，并结合其它多种因素进行选股。
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
# 今日均线向上发散
SELECT3 = REF(MA(C,5),1) < REF(MA(C,10), 1) AND REF(MA(C,10), 1) < REF(MA(C,20),1) AND MA(C,5) > MA(C,10) AND MA(C,10) > MA(C,20)
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、今日均线向上发散。同时还应该加入多种其它因素，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=30)).strftime('%Y%m%d'), end_date=(pd.Timestamp.now() - pd.Timedelta(days=1)).strftime('%Y%m%d'), fields='ts_code,trade_date,open,high,low,close,vol,amount')
if quote_data.empty or len(quote_data) < 20:
continue
if quote_data['close'].iloc[-1] / quote_data['s_ma_5'].iloc[-1] < 1 or quote_data['close'].iloc[-1] / quote_data['s_ma_10'].iloc[-1] < 1 or quote_data['close'].iloc[-1] / quote_data['s_ma_20'].iloc[-1] < 1:
continue
if quote_data['s_ma_5'].iloc[-1] >= quote_data['s_ma_10'].iloc[-1] and quote_data['s_ma_10'].iloc[-1] >= quote_data['s_ma_20'].iloc[-1] and quote_data['s_ma_5'].iloc[-1] > quote_data['s_ma_5'].iloc[-2] and quote_data['s_ma_10'].iloc[-1] > quote_data['s_ma_10'].iloc[-2] and quote_data['s_ma_20'].iloc[-1] > quote_data['s_ma_20'].iloc[-2]:
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、今日均线向上发散，并结合多种其它因素进行选股。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。
