(supermind量化投资)task13/a/元宇宙、股票均价站在五日均线之上、竞价时涨

用户头像神盾局量子研究部
2023-08-30 发布

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:股票均价站在五日均线之上,在竞价时,涨跌幅大于等于0.02且买入特大单和大单的总和大于0.7亿元。

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,股票均价站在五日均线之上,在竞价时,涨跌幅大于等于0.02且买入特大单和大单的总和大于0.7亿元。该条件能够提高选股的可靠性和稳定性。

有何风险?

该选股策略存在以下风险:

  1. 忽视了其他多项因素,如公司的财务状况、成长前景等,可能造成择股不当的情况。

  2. 投资策略过于依赖于短期市场变化,可能导致投资周期较短,容易出现买入曲线和卖出曲线不符合预期的情况,进而导致收益的下降。

  3. 策略依赖于市场的波动,容易受到市场宏观风险因素的影响而导致策略效果不佳。

如何优化?

为了降低选股策略的风险,可以进行以下优化:

  1. 该选股策略依赖市场的波动,加强对市场宏观风险因素的研究,如政策调整、国际局势等,及时调整投资策略。

  2. 在股票的选择方面,除了考虑特殊大单、大单等成交量方面的指标,在进行基本分析时,应综合考虑公司的盈利能力、商业模式的竞争优势以及行业发展趋势等因素,以提高选股策略的准确性和稳定性。

  3. 在考虑市场走势的方案下,可根据股票的涨跌、成交量、K线形态、行业龙头股走势等指标进行资金调配和买入卖出决策,以辅助选股策略。

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:股票均价站在五日均线之上,在竞价时,涨跌幅大于等于0.02且买入特大单和大单的总和大于0.7亿元。

具体的选股条件为:

  • 元宇宙行情为GNXQ;
  • 股票均价站在五日均线之上;
  • 竞价时,股票的涨跌幅大于等于0.02;
  • 竞价成交中买入特大单和大单的总和大于等于0.7亿元。

通过以上选股策略可以选举出具备较好市场表现且有稳定投资潜力的股票进行投资。

同花顺指标公式代码参考

  • 元宇宙行情:GNBK('gnxq')
  • 股票均价:AVG(C,5)
  • 涨跌幅:(C-Ref(C,1))/Ref(C,1)
  • 特大单:V1>=5MA(V1,20) AND V1>=5MA(V1,60)
  • 大单:V1>=2MA(V1,20) AND V1>=2MA(V1,60)

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, limit_up')
        pct_chg = (data['close']-data['open'].shift(1))/data['open'].shift(1)
        mask1 = (pct_chg >= 0.02)
        mask2 = (data['vol'] >= 200000)
        mask3 = ((data['vol']*data['close']) >= 7000000)
        mask4 = (data['close'].rolling(window=5).mean() > data['close'].shift(1).rolling(window=5).mean())
        mask = mask1 & mask2 & mask3 & mask4
        if mask.iloc[-1]:
            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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)
收益&风险
源码

评论