问财量化选股策略逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉，MACD零轴以上。
选股逻辑分析
该选股策略的选股条件包括：选择元宇宙行业、三个技术指标同时金叉、MACD零轴以上。该逻辑可以筛选出技术面表现较好、相对估值较低的股票，适合短期操作。
技术指标可以选择MACD、KDJ、DMI等常用指标。
有何风险？
该选股策略存在以下风险：
-
忽略了公司的财务状况、市场竞争等多方面因素。
-
技术指标是市场行情的反应，快速变化的市场中，技术指标很难做到精确预测。
-
只依赖技术面容易产生超买超卖情况，盲目追涨杀跌，导致交易损失增加。
如何优化？
为了最大程度上降低选股策略的风险，可以进行以下优化：
-
同时使用多种技术指标，结合基本面指标进行选股，降低单一指标选择股票的风险。
-
对选股条件进行细分，例如设定MACD在一定时间内快线缓慢上涨为选股条件，既可以避免超买超卖的情况，又能优先选择增长势头较好的股票。
-
在技术指标的基础上，增加量价分析等其他方面的指标以更好地衡量股票的价格变化。
最终的选股逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉，MACD在过去20天内快线比较平稳上涨且零轴以上。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- MACD金叉：CROSS(MACD(12,26,9), MACDSignal(12,26,9));
- KDJ金叉：CROSS(KDJ_K, KDJ_D) & CROSS(KDJ_K, KDJ_J);
- DMI金叉：CROSS(DMI_PDI, DMI_MDI);
- MACD快线上涨：MACD_FAST_MA > REF(MACD_FAST_MA, 1);
- MACD零轴以上：MACD_DIF > 0。
通过以上选股策略可以选举出同时具有良好技术面和短期操作价值的股票进行投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- MACD指标：MACD(12,26,9)、MACDSignal(12,26,9)
- KDJ指标：KDJ(9,3,3)
- DMI指标：DMI(14)
Python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry):
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, name, area, industry, list_date, pe, pb, roe')
data1_select = data1[(data1['industry']==industry) & (data1['tot_mv'] < 50000) & (data1['circ_mv'] < 50000) & (data1['area']!='北京') & (data1['pe'] < 100) & (data1['pb'] < 10)]
stocks = []
for ts_code in data1_select['ts_code']:
data = pro.query('daily', ts_code=ts_code, start_date='20220301', end_date='20220331', fields='ts_code, trade_date, open, high, low, close, vol, pct_chg, limit_up')
mask1 = (data['vol'] != 0)
mask2 = (data['MACD'] > data['MACDsignal']) & (data['MACD'].shift(1) < data['MACDsignal'].shift(1))
mask3 = (data['KDJ_K'] > data['KDJ_D']) & (data['KDJ_K'] > data['KDJ_J']) & (data['KDJ_K'].shift(1) < data['KDJ_D'].shift(1)) & (data['KDJ_K'].shift(1) < data['KDJ_J'].shift(1))
mask4 = (data['DMI_PDI'] > data['DMI_MDI']) & (data['DMI_PDI'].shift(1) < data['DMI_MDI'].shift(1))
mask5 = (data['MACD_FAST_MA'] > data['MACD_FAST_MA'].shift(1)) & (data['MACD_DIF'] > 0)
mask = mask1 & mask2 & mask3 & mask4 & mask5
if mask.sum() > 0:
stocks.append([ts_code, data['close'].iloc[-1]])
return pd.DataFrame(stocks, columns=['ts_code', 'close'])
其中，参数industry为所选元宇宙的行业名称。
## 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。
