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、连续5年ROE＞15%。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；
- 连续5年ROE＞15%的企业具有较好的盈利能力，选择这样的企业有望获得良好的股价表现。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 对企业的判断可能有误，会导致选股错误；
- 单一的财务指标可能无法全面评估企业的盈利能力；
- 如果市场整体行情低迷，该策略可能难以保持良好的投资效果。
如何优化？
- 加入其他财务指标进行筛选，例如净利润增长率、总资产收益率等；
- 按照行业特点设置选股条件，例如按照行业的PE水平进行筛选；
- 合理设置选股条件，例如可以将ROE条件放宽到连续3年ROE>15%。
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，连续5年ROE>15%的企业进行投资。
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");
ROE：ROE("roe_yearly",5);
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND ROE("roe_yearly",5)>0.15
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()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,industry')
data1 = data1[data1['name'].str.contains('元宇宙')]
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 = pd.concat([data1, data2], axis=1)
data3 = data3.dropna()
data3.reset_index(drop=True, inplace=True)
data4 = pro.query('fina_indicator', ts_code=data3['ts_code'].tolist(), start_date='20170001', end_date='20211231', fields='ts_code,roe')
data4 = data4.groupby('ts_code').apply(lambda x: sum(x['roe'] > 0.15*5) == 5).reset_index()
data4.columns = ['ts_code', 'flag']
data5 = pd.concat([data3, data4], axis=1)
data5 = data5[data5['flag']]
data5.reset_index(drop=True, inplace=True)
data6 = pro.query('investor', trade_date='20220308', fields='ts_code, trade_type, buy_value, sale_value, net_value')
data7 = pd.pivot_table(data6, values='net_value', index='ts_code', columns='trade_type')
data7['DRS_M'] = (data7.iloc[:, 0] - data7.iloc[:, 1]) / 1e8
data7 = data7.loc[:, ['DRS_M']]
data8 = pd.concat([data5, data7], axis=1)
data8.dropna(inplace=True)
return data8
## 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。
