(supermind)振幅大于1、流通盘小于等于55亿股、竞价时涨跌幅买入大单

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、竞价时涨跌幅买入大单、特大单共计买入量大于0.7千万的股票。此策略旨在挑选出波动较大、规模适中，并且存在较多的大单、特大单资金买入的股票，以此进行投资。

选股逻辑分析

1. 指定振幅大于1可以筛选出波动较大的股票；
2. 流通盘小于等于55亿股可以挑选出规模相对较小的股票，具有较高的成长性和回报；
3. 在竞价时选择涨跌幅买入大单、特大单资金的股票，可以发现目前受到大量资金关注的热门股票；
4. 特大单共计买入量大于0.7千万可以发现受到超大资金关注的股票，具有较高的投资价值。

有何风险？

1. 竞价时的涨跌幅并不一定能够反映该股票的全部情况，容易出现选错热门股票的情况；
2. 特大单共计买入量大于0.7千万时，可能会错过某些潜力股票，在集中买入一些大盘股时也要考虑其估值是否合理。

如何优化？

1. 对于竞价涨跌幅的选股，可以使用其他交易时间和K线级别上的量价指标做为辅助选股指标，增加选股的准确率；
2. 对于特大单共计买入量的选股，可以在选出来的股票中结合估值因素、业绩因素以及股本结构等其他因素进行综合考虑，才能得出更加准确的选股结果。

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、竞价时涨跌幅买入大单、特大单共计买入量大于0.7千万的股票，结合其他量价指标和估值、业绩等因素进行综合选股。

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)

# 计算涨跌幅
rise = REF(CLOSE, 1) - REF(OPEN, 1)
pct_chg = rise / REF(OPEN, 1)
picks_pct_chg = IF(pct_chg > 0.02 or pct_chg < -0.02, 1, 0)

# 计算大单和特大单
big_lots = BIG_INFLOW_VOLUME / 10000
huge_lots = HUGE_INFLOW_VOLUME / 10000
picks_lots = IF(big_lots + huge_lots > 70, 1, 0)

# 取排名前n的股票
n = ceil(COUNT / 20)
picks = picks_amplitude * picks_free_share * picks_pct_chg * picks_lots
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()

# 计算涨跌幅
rise = df['close'].shift(1) - df['open'].shift(1)
pct_chg = rise / df['open'].shift(1)
picks_pct_chg = df[(pct_chg > 0.02) | (pct_chg < -0.02)].index.tolist()

# 计算大单和特大单
big_lots = df['big_inflow_volume'] / 10000
huge_lots = df['huge_inflow_volume'] / 10000
picks_lots = df[(big_lots + huge_lots) > 70].index.tolist()

# 取排名前n的股票
n = int(len(df) / 20)
picks = list(set(picks_amplitude) & set(picks_free_share) & set(picks_pct_chg) & set(picks_lots))
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)