(supermind)振幅大于1、连续5年ROE＞15%、买一量_卖一量_

问财量化选股策略逻辑

选股逻辑：振幅大于1,连续5年ROE＞15%,买一量>卖一量。

选股逻辑分析

该选股逻辑综合考虑了技术面和基本面因素，先筛选出有一定波动的股票，再考虑其基本面，要求连续5年ROE＞15%。同时关注买卖盘情况，要求买一量大于卖一量。

有何风险？

该选股策略可能存在以下风险：

1. 技术面指标变化快，避免过于短视，需结合其他指标进行综合评估；
2. 过分强调买卖盘情况，可能白忙了，出现误判，应综合考虑股票价值。

如何优化？

为了减少选股策略存在的风险，可以考虑以下优化：

1. 建立更完善的资产估值模型，特别关注基本面的盈利能力、财务结构和成长性的考察指标；
2. 加强技术面分析指标的选取和补充，如均线、MACD等；
3. 微观层面结合政策、基本面、及季度财务数据等因素，开展更加深度的分析。

最终的选股逻辑

综上所述，我们可以优化出以下选股逻辑：

1. 振幅>=1；
2. 连续5年ROE＞15%;
3. 买一量>卖一量。

同花顺指标公式代码参考

C1: IF(HIGH - LOW >= 1, 1, 0);
C2: IF((ROE(CLOSE, 5) > 15) AND (ROE(CLOSE, 4) > 15) AND (ROE(CLOSE, 3) > 15) AND (ROE(CLOSE, 2) > 15) AND (ROE(CLOSE, 1) > 15), 1, 0);
C3: SELECT IF (BID_VOL_1 > ASK_VOL_1, 1, 0) INTO A FROM TRADE WHERE TRADE.SECURITY_CODE = A.SECURITY_CODE AND TRADE.TRADE_TYPE = '0';
SELECTOR: C1 * C2 * C3;
RESULT: SELECTOR;

python代码参考

import pandas as pd

df = pd.read_csv('your_data.csv', index_col='date')

C1 = np.where(df['high'] - df['low'] >= 1, 1, 0)
C2 = np.where(
    df.groupby('code')['roe'].apply(lambda x: (x > 0.15).all()), 1, 0)
C3 = np.where(df['bid_vol_1'] > df['ask_vol_1'], 1, 0)

selector = C1 * C2 * C3
result = df[selector == 1].index.tolist()

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)