问财量化选股策略逻辑
该选股策略包括三个条件：元宇宙、昨日股价大于250日均线、按今日竞价金额排序前5。通过先筛选符合要求股票，再按照竞价金额排序，选择前5个市值相对较大的个股进行投资。
选股逻辑分析
该选股策略主要通过以下三个条件选择符合要求的个股进行投资：
- 元宇宙：选择热门板块中的个股
- 昨日股价大于250日均线：判断个股目前的价格是否接近长期均线及相对稳定
- 按今日竞价金额排序前5：根据竞价金额对符合条件的个股进行排序，选择竞争力较强的优质个股进行投资。
综合以上三个条件，选择符合要求的个股进行投资。
有何风险？
- 市场波动带来的风险；
- 竞价金额只是一个短期参考指标，可能不能长期有效；
- 选股逻辑单一可能会带来误判。
如何优化？
- 加入其他指标，综合多方面判断；
- 利用深度学习等技术对选股逻辑进行进一步优化；
- 利用止盈止损的选股方法，控制风险。
最终的选股逻辑
该选股策略选择元宇宙板块中、股票均价站在五日均线之上、今日竞价金额排名前5的个股作为投资目标，再按市值对其进行排序，选择前5个市值相对较大的个股进行投资。
同花顺指标公式代码参考
元宇宙：GNBK("gnxq")
昨日股价大于250日均线：C >= MA(250)
按今日竞价金额排序：WQJME
市值：MCAP
Python代码参考
import pandas as pd
import tushare as ts
def stock_selector():
ts.set_token('your_token')
pro = ts.pro_api()
# 获取所有元宇宙板块中的个股
gnxq = pro.index_basic(
fields='category',
identifying_code='9650',
market='SSE'
)
gnxq_stocks = gnxq.loc[gnxq['category'] == 'GN023']
data_selected = pd.DataFrame()
for code in gnxq_stocks['con_code']:
df = pro.query('stock_basic', ts_code=code, fields=['name','mktcap'])
ts_data = ts.pro_bar(
ts_code=code,
adj='qfq',
start_date='20160101',
end_date='20220110'
)
if len(ts_data)>2 and ts_data.iloc[-1]['close'] >= ts_data.iloc[-1]['close'].rolling(5).mean()[4] and ts_data.iloc[-2]['close'] >= ts_data.iloc[-2]['close'].rolling(250).mean()[249]:
jbje = ts.pro_api().query('moneyflow', ts_code=code,trade_date='20220110',fields=['wqjme']).wqjme[0]
data_selected = data_selected.append(df.assign(wqjme=jbje))
data_selected.sort_values(by=['wqjme','mktcap'], ascending=False, inplace=True)
data_selected = data_selected.iloc[:5]
return data_selected[['name']]
## 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。
