聚宽量化交易-竞价匹配量除以流通股排序、昨日的曾涨停取反、涨幅小于5%和

问财量化选股策略逻辑

选股逻辑一：竞价匹配量除以流通股排序，这个逻辑主要是考虑到市场的活跃程度，如果匹配量大说明市场参与度高，流通股排序则是按照流通股的数量进行排序，这个可以反映出股票的流动性。

选股逻辑二：昨日的曾涨停取反，这个逻辑是考虑到市场的反转情况，如果昨日曾经涨停但是今日跌停，那么可能是市场的反转信号，此时需要关注这只股票的变化。

选股逻辑三：涨幅小于5%，这个逻辑是考虑到股票的风险性，如果一只股票的涨幅小于5%，那么说明这只股票的风险较小。

以上三个逻辑都是基于数据分析来选出股票，但是这种逻辑也有一定的风险，例如数据可能存在错误或者滞后，导致选出的股票并不一定符合实际情况；同时，这只是一种基本的逻辑，对于复杂的市场环境还需要结合其他因素来进行分析。

因此，可以通过以下方式来优化这种选股逻辑：

1. 使用更准确的数据源，例如实时数据或者预估数据，而不是使用历史数据。
2. 结合其他的指标，例如市盈率、市净率等，综合判断股票的价值和风险。
3. 结合技术分析，例如K线图、MACD等，分析股票的趋势和买卖点。

最终的选股逻辑：将匹配量除以流通股排序、昨日曾涨停取反以及涨幅小于5%这三个逻辑结合起来，同时结合其他的指标和技术分析，来选出具有投资价值的股票。

常见问题：
Q: 数据错误或者滞后会影响选股结果吗？
A: 是的，数据错误或者滞后可能会导致选出的股票不符合实际情况。

python代码参考

# 假设我们有一个包含股票信息的数据frame df
df['match_volume'] = df['bid_volume'] / df['total_shares']
df['yesterday_stopped'] = np.where(df['yesterday_close'] > df['open'], False, True)
df['rise_less_than_5'] = df['change_rate'] < 5

# 计算综合得分
df['score'] = (df['match_volume'] + df['yesterday_stopped'] * -1 + df['rise_less_than_5']) / 3

# 根据得分进行排名
ranked_df = df.sort_values('score', ascending=False)

# 选择前N只股票
selected_df = ranked_df.head(N)

其中，df['match_volume']表示匹配量

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？

点击页面下方的复制按钮，复制到自己的账户即可使用模板进行回测。