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，股票上市时间大于90天的股票作为选股标准，选取结果中的个股作为投资标的。
选股逻辑分析
本选股策略主要从技术面考虑，选取振幅大于1和下午大单净流入两个指标能够反映出当前股票的波动性与市场情绪，股票上市时间大于90天则可排除新股上市的影响。通过该策略选取的股票，波动性较高且市场情绪较好，具有一定的上涨潜力。
有何风险？
和前一个选股策略一样，本选股策略同样仅依据少数指标选股，并没有考虑公司的基本面和市场整体走势等因素，存在一定的风险。同时，我们仅仅考虑了股票上市时间大于90天的股票，可能会错过某些实力强劲的新股。
如何优化？
可以结合其他指标，如财务报表数据和近几个季度的基本面数据，从基本面角度来进一步选出有价值的股票。也可以增加一些市场整体走势方面的因素，如大盘指数和板块走势等来进一步筛选出有较大上涨潜力的股票。
最终的选股逻辑
本选股策略采取振幅大于1、下午大单净流入，股票上市时间大于90天的股票作为选股依据，通过技术面和市场热度挖掘出具有一定上涨趋势的股票。同时也应结合公司基本面数据和市场整体走势等因素进行分析和筛选，灵活应对就能获取更符合资产配置和持有时间要求的投资标的。
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
股票上市时间大于90天: 大于90天
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 = []
# 全部股票
all_stocks = pro.stock_basic(exchange='', list_status='L', fields='ts_code, list_date')
for ts_code, list_date in zip(all_stocks["ts_code"], all_stocks["list_date"]):
# 上市时间，计算差值天数
days_since_listed = (pd.to_datetime("today") - pd.to_datetime(list_date)).days
if days_since_listed > 90:
# 获取股票数据
k_data = pro.klines(ts_code=ts_code, start_date='1 year ago', end_date='today', freq='D')
quote_data = pro.query('daily', ts_code=ts_code, start_date='1 year ago', end_date='today')
if ABS((k_data["high"] - k_data["low"]) / k_data["pre_close"]).all()>0.01 and ((quote_data["close"] - quote_data["open"]) > (0.005 * quote_data["vol"] - MA(quote_data["vol"],3))/10000).all():
selected_stocks.append(ts_code)
if len(selected_stocks) == n:
break
return selected_stocks
其中，REF()函数为计算指定日数前的数据，MA()函数为计算指定日数的移动平均值。
## 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。
