问财量化选股策略逻辑
选股逻辑包括三个条件：选择元宇宙行业的股票、机构动向大于0、10日涨幅大于0小于35。根据这些条件进行选股，进行投资。
选股逻辑分析
该选股策略主要围绕以下三个条件进行选股：
- 选取元宇宙行业中的股票，因为元宇宙领域具有较高的成长性和隐含收益；
- 机构动向具有预测性和引导作用，选择机构买入股票可以获得较好的资本回报；
- 选出最近10个交易日内增长率在0%到35%之间的个股，可以筛选出当前表现较好的股票。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 股票的10日涨幅可能未来会下降；
- 如果市场整体大跌，该策略可能无法有效保护投资本金。
如何优化？
- 加入其他技术指标或基本面指标进行筛选，多角度综合分析；
- 加入风险控制指标，有效保护投资本金；
- 优化选股条件，例如可以选取近期表现较好的股票，同时加入其他指标进行筛选。
最终的选股逻辑
该选股策略选择元宇宙行业中，机构动向大于0，10日涨幅大于0小于35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");
机构动向：DRS_M("zlltgtzb");
选取近10个交易日内涨幅在0到35%之间的股票：RETURNRANK(C, 10)>=0 AND RETURNRANK(C, 10)<=35
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND RETURNRANK(C, 10)>=0 AND RETURNRANK(C, 10)<=35
Python代码参考
import pandas as pd
import tushare as ts
import datetime
def stock_selector():
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,industry')
data1 = data1[(data1['name'].str.contains('元宇宙')) & (data1['industry'] != '银行')]
data2 = pro.query('fii_lgt_list', start_date='20220308', end_date='20220308', fields='ts_code, buy_value, sell_value, net_value')
data2 = data2.groupby(by='ts_code').sum()
data2['net'] = data2['net_value'] / 1e8
data2 = data2.sort_values(by='net', ascending=False)
data2 = data2.iloc[0:100, :]
data2['rank'] = range(1, 101)
data2 = data2.loc[:, ['rank']]
data3 = pro.new_share(ts_code='', start_date='20220301', end_date='20220308',
fields='ts_code,sub_time,price,amount,money,circ_mv,total_mv')
data3 = data3.sort_values(by='sub_time', ascending=False)
data3 = data3.drop_duplicates(subset=['ts_code'], keep='first')
data3 = data3.loc[:, ['ts_code', 'circ_mv', 'total_mv']]
data4 = pro.daily(ts_code='', start_date='20210101', end_date='20211231', fields='ts_code,trade_date,pct_chg')
data5 = pd.pivot_table(data4, values='pct_chg', index='ts_code', columns='trade_date')
first_day = datetime.datetime.strptime('2021-01-04', '%Y-%m-%d').date()
last_day = datetime.datetime.strptime('2021-12-31','%Y-%m-%d').date()
trading_days = pd.Series(pd.date_range(start=first_day, end=last_day, freq='B').date)
data5 = data5.reindex(columns=trading_days).fillna(0)
data5['2021_return'] = (data5.iloc[:, -1] / data5.iloc[:, 0]) - 1
data5 = data5[data5['2021_return'] > 0]
data5 = data5.loc[:, ['2021_return']]
data6 = pd.concat([data1.loc[:, 'ts_code'], data2, data3.iloc[:, 1:], data5], axis=1)
data6 = data6.dropna()
data6.reset_index(drop=True, inplace=True)
data7 = data6[(data6['2021_return'] >= 0.1) & (data6['2021_return'] <= 0.35)]
data7.reset_index(drop=True, inplace=True)
data8 = pro.query('daily_basic', trade_date='20220308', fields='ts_code,turnover_rate', filters='turnover_rate > 0')
data9 = pd.concat([data7, data8.iloc[:, 1]], axis=1)
data9 = data9.dropna()
data9.reset_index(drop=True, inplace=True)
data9['ma10'] = talib.MA(data9['close'].values, timeperiod=10)
data9['ma60'] = talib.MA(data9['close'].values, timeperiod=60)
data10 = data9[(data9['turnover_rate'] > 1) & (data9['open'] > data9['ma10']) & (data9['open'] < data9['ma60'])]
data10.reset_index(drop=True, inplace=True)
return data10
## 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。
