(supermind)振幅大于1、流通盘小于等于55亿股、KDJ刚形成金叉_

问财量化选股策略逻辑

选股逻辑为振幅大于1、流通盘小于等于55亿股、KDJ刚形成金叉。此策略旨在选出具有一定波动性、规模适中、技术面表现良好的股票，并结合技术因素进行短期交易。

选股逻辑分析

1. 振幅大于1可以筛选出波动较大的股票，适合做短期交易；
2. 流通盘小于等于55亿股可以筛选出小盘股，小盘股可能具有较高风险和回报；
3. KDJ刚形成金叉可以判断出市场情绪的改变，有利于趋势型策略的操作；
4. 此策略可以综合考虑个股的波动情况、流动性、规模和技术面等因素，适合做短期交易。

有何风险？

1. 过分追求技术面因素会忽略个股的基本面和行业趋势等因素，导致选股策略失真；
2. 筛选条件过于短期，容易受到噪声干扰和偶然波动的影响；
3. KDJ指标存在滞后性，过于依赖技术指标容易导致操作失误；
4. 只考虑短期因素容易忽略股票的长期价值和风险。

如何优化？

1. 结合个股的基本面和财务情况因素，进行多因素筛选，提高选股成功率；
2. 引入其他技术分析指标，如MACD、RSI等，进行多维度的技术面分析，提高选股鲁棒性；
3. 可以应用机器学习等方法，挖掘出更多有效的因子，加强选股策略的效果；
4. 可以适度延长选股的时间周期，考虑个股的长期价值和风险，减少操作的频率。

最终的选股逻辑

选股逻辑为振幅大于1、流通盘小于等于55亿股、KDJ刚形成金叉。在此基础上，结合个股的基本面和财务情况因素，进行多因素筛选，选出具有良好长期前景，短期技术面表现良好的潜力股票。

同花顺指标公式代码参考

#计算振幅
high = REF(HIGH, 1)
low = REF(LOW, 1)
close = REF(CLOSE, 1)
amplitude = 100 * (high - low) / close
picks_amplitude = IF(amplitude > 1, 1, 0)

#计算流通盘
free_share = FREE_SHARE
picks_free_share = IF(free_share <= 5500000000, 1, 0)

#计算KDJ
RSV = (CLOSE - LLV(LOW, 9)) / (HHV(HIGH, 9) - LLV(LOW, 9)) * 100
K = EMA(RSV, 3, 1)
D = EMA(K, 3, 1)
J = 3 * K - 2 * D
picks_kdj = IF((K >= D) & (REF(K, 1) <= REF(D, 1)), 1, 0)

#取排名前n的股票
n = ceil(COUNT / 10)
picks = picks_amplitude * picks_free_share * picks_kdj
picks_final = NLargest(n, picks, picks)

#输出选股结果
WriteIf(picks_final, picks_final, 0)

Python代码参考

#计算振幅
high = df['high']
low = df['low']
close = df['close']
amplitude = 100 * (high - low) / close
picks_amplitude = df[amplitude > 1].index.tolist()

#计算流通盘
free_share = df['free_share']
picks_free_share = df[free_share <= 5500000000].index.tolist()

#计算KDJ
low_list = df['low'].rolling(9, min_periods=9).min()
high_list = df['high'].rolling(9, min_periods=9).max()
rsv = (df['close'] - low_list) / (high_list - low_list) * 100
df['KDJ_K'] = rsv.ewm(alpha=1/3, adjust=False).mean()
df['KDJ_D'] = df['KDJ_K'].ewm(alpha=1/3, adjust=False).mean()
df['KDJ_J'] = 3 * df['KDJ_K'] - 2 * df['KDJ_D']
picks_kdj = df[(df['KDJ_K'] >= df['KDJ_D']) & (df['KDJ_K'].shift() <= df['KDJ_D'].shift())].index.tolist()

#取排名前n的股票
n = int(len(df) / 10)
picks = list(set(picks_amplitude) & set(picks_free_share) & set(picks_kdj))
picks_final = df.loc[picks].sort_values(by='turnover_rate', ascending=False)[:n]['ts_code'].tolist()

#输出选股结果
print(picks_final)

    ## 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)