问财量化选股策略逻辑
该选股策略包含元素“元宇宙”、“竞价主力净买大于0”和“机构动向大于0”。
选股逻辑分析
该选股策略主要侧重考虑市场热点、资金流向和机构动向等因素，筛选出具有上涨潜力的个股。其中，“元宇宙”反映市场热点，有望吸引资金进入；竞价主力净买反映资金流向情况，有助于我们把握市场资金的动向；机构动向反应机构投资者的态度，机构买入意愿强烈通常预示着个股未来上涨空间较大。综合这些因素，筛选出符合条件的股票，以期获得较好的投资收益。
有何风险？
- 操作风险：该策略基于市场行情和历史数据，因此存在一定的操作风险；
- 信息滞后：该策略使用的数据是历史数据，可能无法完全反映当前市场情况，存在信息滞后的风险；
- 过度依赖内部因素：该选股策略主要关注内部因素，可能忽略外部因素对股市的影响。
如何优化？
- 增加外部因素分析：适当增加宏观经济、政策环境等方面的考虑，综合考虑多重因素有助于提高选股精度；
- 加入技术分析因素：在基本面和市场分析的基础上，加入技术分析因素以进一步提高选股精度；
- 优化选股因子的加权：对选股因子的加权可以灵活调整，以提高选股策略的收益风险比。
最终的选股逻辑
综合考虑市场热点板块、资金流向和机构动向因素，筛选出符合条件的个股。
同花顺指标公式代码参考
元宇宙：SELECTEDINDUSTRY("gnxq")
竞价主力净买：(VOL - 3 – 5 + 1) * 50 / 10000
机构动向大于0：DDX > 0
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()
# 获取符合条件的所有股票的代码
data = pro.query('stock_basic',
fields=['ts_code','name','industry','concept_name'],
where={'market':'SSE','list_status':'L','is_hs':'N'})
data['jbmoneysum'] = pro.moneyflow(ts_code=data['ts_code'], start_date='20190101',
end_date='20211022', fields='jb').groupby('ts_code')['jb'].sum()
data['ddx'] = pro.moneyflow_hsgt(start_date='20190101', end_date='20211022', fields='ddx')['ddx']
data['yyzbl'] = data['concept_name'].apply(lambda x: '元宇宙' in x)
data['jbmoneysum_positive'] = data['jbmoneysum'] > 0
data['ddx_positive'] = data['ddx'] > 0
selected = data[data['yyzbl'] & data['jbmoneysum_positive'] & data['ddx_positive']]
return selected
## 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。
