问财量化选股策略逻辑
本选股策略选取振幅大于1、下午大单净流入、2021年营收/2018年营收大于1.1作为投资标的。
选股逻辑分析
本选股策略继承了前一版本的振幅大和下午大单净流入，同时加入了基本面指标，即股票的营收年增长率。选取大于1.1的股票，主要是为了筛选出具备成长性的股票。本策略主要要求在市场行情这一基础上，从业者应该关注股票的投资价值和投资机会。
有何风险？
该选股策略可能存在的风险是基于过去的数据，而且依赖于特定的时间段。股票市场行情随时会受到各种因素的影响，所以不同的时间段可能呈现出不同的趋势。另外，不同行业的营收率参考标准可能不同，可能会对结果产生影响。
如何优化？
可以考虑加入其他基本面指标、技术指标来筛选股票，构建多维度的选股策略，以提高选股的准确度和稳健性。同时，需要注意对选股策略进行反复测试和修改，不断优化，以提高其适用性和准确度。
最终的选股逻辑
本选股策略选取振幅大于1，下午大单净流入和2021年营收/2018年营收大于1.1作为投资标的，并可以根据具体情况进行细微调整，构建多样化的投资组合。
同花顺指标公式代码参考
振幅大于1：ABS((HIGH-LOW)/PRE_CLOSE) > 0.01
下午大单净流入：C - O > (0.005 * V - MA(V, 3)) / 10000
营收年增长率：TTM(YOY_OR) / Q(YOY_OR) > 1.1
python代码参考
# 引入Tushare库、Numpy库、Pandas库
import tushare as ts
import numpy as np
import pandas as pd
# 连接Tushare库
pro = ts.pro_api()
def select_stocks(n):
selected_stocks = []
# 所有股票
all_stocks = pro.stock_basic(exchange='', list_status='L', fields='ts_code')
for ts_code in all_stocks["ts_code"]:
# 获取股票数据
k_data = pro.klines(ts_code=ts_code, start_date='3 month ago', end_date='today', freq='D')
basic_info = pro.query('stock_basic', ts_code=ts_code, fields='ts_code, name, industry, area, list_date, pe, outstanding, total_revenue, revenue, eps, bvps, pb, yoy_eps')
yoy_or = basic_info["revenue"][0]/basic_info["revenue"][2]
if (ABS((k_data["high"] - k_data["low"]) / k_data["pre_close"]) > 0.01).all() and (quote_data["close"] - quote_data["open"] > (0.005 * quote_data["vol"] - MA(quote_data["vol"],3))/10000).all() and (yoy_or > 1.1):
selected_stocks.append(ts_code)
if len(selected_stocks) == n:
return selected_stocks
## 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。
