问财量化选股策略逻辑
该选股策略选择元宇宙行业中，符合以下条件的股票进行投资：股票均价站在五日均线之上，昨天换手率＞8%。
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，昨天换手率＞8%。
该选股策略通过技术面和基本面进行选股，通过股票均价站在五日均线之上的条件可以过滤掉暂时表现不佳的标的，昨天换手率大于8%则说明股票有一定的市场交易活跃度和热度，投资的机会相对较高。
有何风险？
该选股策略存在以下风险：
-
只考虑了一天的换手率，不能反映股票长期表现，风险较高。
-
未考虑公司、行业的基本面信息，投资收益可能存在一定波动。
如何优化？
为了减小选股策略的风险，可以采取如下优化策略：
-
引入交易量、成交额等多个指标进行选股，提高选股的准确性。
-
在技术面选股的基础上同时引入公司、行业的基本面信息进行综合考虑。
最终的选股逻辑
该选股策略选择元宇宙行业中，符合以下条件的股票进行投资：股票均价站在五日均线之上，昨天换手率＞8%。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- 股票均价在五日均线之上；
- 昨天换手率大于8%。
因此，该选股策略通过技术面和基本面进行选股，剔除了表现不佳、市场交易活跃度和热度不高和潜在风险相对较大的标的，有利于发现市场热点和潜在投资机会，同时也能降低风险。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- 五日均线：MA(C,5)
- 昨日换手率：REF(VOL,1)/1000000 > 8
- 选股条件：C > MA(C,5) AND (REF(VOL,1)/1000000 > 8)
因此，该选股的最终选股公式为：
GNBK('gnxq') AND (C > MA(C,5)) AND (REF(VOL,1)/1000000 > 8)
Python代码参考
import pandas as pd
import tushare as ts
import talib
def stock_selector(date, industry):
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, name, industry, list_date, circ_mv, pe_ttm, pb, roe')
data2 = pro.daily_basic(ts_code='', start_date=date, end_date=date, fields='ts_code, close, vol')
data2['MA5'] = talib.MA(data2['close'].values, timeperiod=5)
data2['RATIO'] = data2['vol'].shift(1) / 1000000
data1['circ_mv'] = data1['circ_mv'] / 100000000
data_select = data1[(data1['circ_mv'] > 100) & (data1['industry']==industry)]
data_merge = pd.merge(data_select, data2, on='ts_code')
data_final = data_merge[(data_merge['close'] > data_merge['MA5']) & (data_merge['RATIO']>8)]
return data_final[['ts_code', 'close', 'vol']]
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。
