(supermind)振幅大于1、流通盘小于等于55亿股、上市大于_

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、上市时间大于1年，筛选出具有一定历史时间和较小流通盘但波动较大的股票。

选股逻辑分析

1. 振幅大于1可以筛选出波动较大但有一定交易活力的股票。
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. 上市时间大于1年可以确定股票具有一定历史时间，稳定性较高。

有何风险？

1. 忽略了其他财务指标和公司基本面情况，可能选出财务状况不佳或公司基本面较差的股票。
2. 过度关注波动性和流通盘，可能会忽略更为重要的财务指标和公司基本面情况。

如何优化？

1. 引入其他财务指标和公司基本面情况进行筛选，例如净利润、总资产等，确定具有良好财务状况和发展前景的股票。
2. 在确定流通盘和波动性的基础上，综合考虑其他因素，例如公司成长性、行业前景等，结合价值投资理念进行筛选。

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、上市时间大于1年。同时，引入其他财务指标和公司基本面情况进行筛选，确定具有良好财务状况和发展前景的股票，结合价值投资理念，综合考虑各方面因素，选出具有高成长性和较高投资价值的股票。

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)

# 计算上市时间
list_days = (TRADINGDAY(N) - LISTDATE) / 365
picks_list_days = IF(list_days > 1, 1, 0)

# 取排名前n的股票
n = ceil(COUNT / 10)
picks = picks_amplitude * picks_free_share * picks_list_days
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()

# 计算上市时间
list_days = (df['trade_date'] - df['list_date']).dt.days / 365
picks_list_days = df[list_days > 1].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_list_days))
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)