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，且今年（2021年）表现较好。
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，今年（2021年）表现较好。其中，股票均价站在五日均线之上可以反映出股票的趋势走向。加上今年表现较好的条件，可以筛选出在当前市场表现较好的个股。
有何风险？
该选股策略存在以下风险：
-
选股条件较少，不能充分反映标的的长期表现，风险较高。
-
该选股策略依赖于个股的短期表现，不能很好地反映出标的整体表现，风险较高。
-
可能会被一些短期市场热点误导，风险较高。
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：
-
引入更多的指标进行选股，结合长期和短期表现的因素，提高选股的准确性。
-
加入风险控制的因素，如市盈率、市净率等，避免选取估值过高的股票。
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，且个股2021年中期业绩、前景良好。
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；
- 该股票的2021年半年报、三季报业绩和前景良好。
因此，该选股策略加入了2021年中期业绩和前景良好的选股条件，可以筛选出业绩和前景良好的个股。
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)
目前此选股策略没有独特的指标公式。
Python代码参考
import pandas as pd
import tushare as ts
import time
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, industry, list_date, pe_ttm, pb')
data1_select = data1[(data1['industry']==industry) & (data1['pe_ttm'] < 60) & (data1['pb'] < 10)]
stocks = []
for ts_code in data1_select['ts_code']:
data = pro.query('daily', ts_code=ts_code, start_date='20210101', end_date=time.strftime('%Y%m%d',time.localtime(time.time())), fields='ts_code, trade_date, open, close, high, low')
if len(data) < 6:
continue
MA5 = data['close'].rolling(window=5).mean()
if data['close'].iloc[-1] > MA5.iloc[-1]:
data_quarter = pro.query('income', ts_code=ts_code, start_date='20210101', end_date='20210930', fields='ts_code, ann_date, end_date, basic_eps')
if len(data_quarter) > 0 and sum(data_quarter['basic_eps']) > 0:
stocks.append([ts_code, data['open'].iloc[-1], data['close'].iloc[-1]])
return pd.DataFrame(stocks, columns=['ts_code', 'open', '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。
