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、机器人概念及流通市值小于100亿作为选股标准，选出的个股视为投资标的。
选股逻辑分析
本选股策略考虑了技术指标、行业和市值等因素。振幅大于1要求选股的股票价格存在较大波动，下午大单净流入要求在某个时间段内多大的资金流入，而机器人概念的火热和小市值可以使我们更好地挖掘出高性价比的标的，同时流通市值限制投资标的的质量，使得我们可以更好地控制风险。
有何风险？
在择时选股过程中可能会挑选到落后或者过度热门的标的，同时市值筛选可能会过于严格而错失一些优秀标的；而市场波动可能会对技术指标造成一定的影响，挑选到的股票也可能存在不确定的风险。
如何优化？
深挖市场趋势，科学选股。在振幅和资金流入的基础上加入趋势判断工具，辨别市场中优秀标的，同时市值筛选需要具有一定的宽容度，不要过分强求结构，严格控制风险，保持技术和基本面的共同协作。
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、机器人概念及流通市值小于100亿作为选股标准，选出的个股为投资标的。选出的股票还需要进一步分析企业的财务状况和未来的运营状况等，以确定其投资价值和风险水平。在操作过程中需要加强风险控制和资金管理等方面的问题。
同花顺指标公式代码参考
振幅大于1：(HIGH-LOW)/PRE_CLOSE > 0.01
下午大单净流入：C - O > (0.005*V-MA(V,3))/10000
机器人概念： CONCEPT == '机器人'
流通市值小于100亿：CIRC_MV < 100000
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()
# 查询所有股票的数据
all_data = pro.stock_basic()
# 根据选股条件进行筛选
selected_stocks = []
for ts_code in all_data["ts_code"]:
# 获取股票数据
k_data = pro.daily(ts_code=ts_code)
if ts_code.startswith(("00", "30")) and \
(k_data.high - k_data.low).mean() / k_data.close.mean() > 0.01 and \
(k_data.close - k_data.open > ((0.005 * k_data.vol - pd.Series(k_data.vol).rolling(3).mean()) / 10000)).values[-1] and \
all_data.loc[all_data["ts_code"] == ts_code, "concept_name"].str.contains("机器人").values[0] and \
all_data.loc[all_data["ts_code"] == ts_code, "circ_mv"].values[0] < 100000:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
其中，CLOSE表示收盘价，使用等于号进行判断，大单净流入和振幅分别通过计算实现，需要通过Tushare的API获取到概念信息和流通市值。以00和30开头的股票代码则使用startswith函数进行判断。
## 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。
