(supermind)振幅大于1、连续5年ROE＞15%、按今日竞价金额排序前5

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%,按今日竞价金额排序前5。

选股逻辑分析

该选股策略需要股票满足振幅大于1、连续5年ROE＞15%的条件，并按今日竞价金额从大到小排序，选取前5只股票。该策略注重公司基本面的选股效果，同时考虑了投资者参与度对选股影响的考量，选股结果具有一定的波动性和价值稳定性。选股结果反映了近期市场的整体表现和个股优劣。

有何风险？

该选股逻辑可能存在以下风险：

策略未考虑股票市场价格波动因素对选股的影响；
未对今日的竞价金额进行修正，结果可能不够准确；
基于历史数据，未来表现存在不确定性。

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：

增加对价格波动性的考虑，可加入相应指标以提升选股的精确度；
选股逻辑可以结合其他基本面和技术指标进行筛选；
可以加入一些止损机制，减少不必要的损失。

最终的选股逻辑

基于以上分析和优化，我们可以得到以下完善的选股逻辑：

振幅大于1；
连续5年ROE＞15%;
按竞价金额排序，选择前5只股票；
PE与市净率均小于行业平均值。

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: SORT(BID_AMOUNT, 1) <= 5;
C4: IF((PE(TTM) < INDUSTRY_AVG_PE(TTM)) AND (PB(TTM) < INDUSTRY_AVG_PB(TTM)), 1, 0);
SELECTOR: C1 * C2 * C3 * C4;
RESULT: SELECTOR;

python代码参考

import pandas as pd
import numpy as np

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

C1 = np.where(df['high'] - df['low'] >= 1, 1, 0)

def check_roe(x):
    return (x > 0.15).all()

C2 = np.where(df.groupby('code')['roe'].apply(check_roe), 1, 0)

df = df.sort_values(by='bid_amount', ascending=False)

C3 = np.where(df.groupby('date')['code'].rank() <= 5, 1, 0)

industry_avg_pe = df.groupby('industry')['pe_ttm'].mean()
industry_avg_pb = df.groupby('industry')['pb'].mean()

C4 = np.where((df['pe_ttm'] < industry_avg_pe) & 
              (df['pb'] < industry_avg_pb), 1, 0)

selector = C1 * C2 * C3 * C4
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)

(supermind)振幅大于1、连续5年ROE＞15%、按今日竞价金额排序前5_