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：前日实际换手率在3%~28%之间，竞价时涨跌幅买入大单，特大单共计买入量大于0.7千万。
选股逻辑分析
该选股策略的选股条件主要包括：
- 选择元宇宙行业中的股票，因为这些企业可能受到元宇宙行业内用户需求的影响，具有潜在的成长性；
- 前日实际换手率在3%~28%之间，反映市场对其价值的认可度高，具有投资价值；
- 竞价时涨跌幅买入大单，说明该股票可能存在较大的购买力和市场热度；
- 特大单共计买入量大于0.7千万，表示该股票具有一定的资金关注度和投资价值。
有何风险？
- 竞价时的交易量和价格波动可能不具有足够的代表性，难以准确反映该股票的整体市场价值；
- 该选股策略忽略了其他重要的技术指标和基本面指标，不能充分考虑股票的整体价值；
- 该选股策略只考虑大单和特大单的买入量，可能忽略了潜在的卖出风险。
如何优化？
- 可以结合其他图表模式、技术指标等进行深入技术分析，增加股票的透明度；
- 可以加入其他选股条件，例如：PE、PB、ROE等财务指标、RSI、KDJ等技术指标，以及其它可能的因素；
- 可以结合风险控制手段等，优化买卖策略来降低风险。
最终的选股逻辑
该选股策略选择元宇宙行业中，前日实际换手率在3%~28%之间，竞价时涨跌幅买入大单，特大单共计买入量大于0.7千万的股票进行投资。
具体选股条件为：元宇宙行情为GNXQ，前日实际换手率为TURNOVER(2)，竞价时涨跌幅买入大单可使用如下语句进行匹配：RANK(ABS(OPEN-PRECLOSE)/PRECLOSE,1)<10/305。
特大单共计买入量大于0.7千万可以通过分别统计竞价和收盘时的特大单清单，然后相加并计算。
例如：
INDUSTRYIDB(2859,GNXQ) AND TURNOVER(2) > 3 AND TURNOVER(2) < 28 AND RANK(ABS(OPEN-PRECLOSE)/PRECLOSE,1)<10/305
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- 前日实际换手率：TURNOVER(2)
- 竞价时涨跌幅买入大单：RANK(ABS(OPEN-PRECLOSE)/PRECLOSE,1)<10/305
在通达信中，可以使用如下指标代码：
RANK(ABS(OPEN-PRECLOSE)/PRECLOSE,1)<10/305
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='SZSE', list_status='L', fields='ts_code, name, industry, list_date, total_share, float_share, market_cap, pe, pb, area')
data1['ipo_date'] = pd.to_datetime(data1['list_date'])
data1 = data1[data1['industry'].str.contains('元宇宙') & (data1['list_status'].isin(['L', 'N']))]
data2 = pro.daily_basic(ts_code='', trade_date='20220101', fields='ts_code, turnover_rate_f')
data3 = data2[(data2['turnover_rate_f'] > 3) & (data2['turnover_rate_f'] < 28)]
data4 = pro.block_trade(start_date='20220101', end_date='20220331')
data5 = data4.groupby(by=['ts_code', 'trade_date'])[['vol']].sum().reset_index()
data6 = pd.DataFrame()
for ts_code in data1['ts_code']:
df1 = data4[data4['ts_code'] == ts_code].reset_index(drop=True)
df2 = data5[data5['ts_code'] == ts_code].reset_index(drop=True)
if len(df1) > 0 and len(df2) > 0:
df1['vol_weighted_price'] = df1['price'] * df1['vol'] / df2.iloc[-1]['vol']
df1['vol_cumsum'] = df1['vol'].cumsum()
df3 = pd.merge(df1, df2, on=['ts_code', 'trade_date'], how='inner')
df4 = df3[(df3['vol_cumsum'] > 7000000) & (df3['vol_cumsum'] <= 15000000) & (df3['bs_flag'] == 'B') & (df3['price'] > 0)]
df5 = ts.pro_bar(ts_code='', adj='qfq', start_date='20220101', end_date='20220331')
df5 = df5[['ts_code', 'trade_date', 'open', 'pre_close']]
if len(df4) > 0 and len(df5) > 0:
df5 = df5[df5['ts_code'] == ts_code].reset_index(drop=True)
if len(df5) > 0:
df5['open_change'] = abs(df5['open'] - df5['pre_close']) / df5['pre_close']
df6 = df5[df5['open_change'] < 0.033]
if len(df6) > 0:
data6 = pd.concat([data6, df4])
data7 = data1.merge(data3[['ts_code']], on='ts_code', how='inner')
data8 = data7.merge(data6[['ts_code']], on='ts_code', how='inner')
return data8[['ts_code', '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。
