问财量化选股策略逻辑
该选股策略选择在元宇宙行业中，挑选出今日竞价金额排序前5，外盘/内盘大于1.3的股票进行投资。
选股逻辑分析
该选股策略在资金面上选择了外盘/内盘的比例指标，综合考虑了成交量和价格指标。
有何风险？
该选股策略可能存在以下风险：
- 过于依赖资金面指标，忽略技术面和基本面因素，可能导致盲目跟风；
- 当市场行情波动或资金面紧张时，该选股策略可能会出现较大风险；
- 该选股策略不具有行业分类和基本面选股的能力，可能导致大量投资并不具有成长性的公司；
- 外盘/内盘的比例指标不能完全反映股票的投资价值和风险。
如何优化？
为了降低该选股策略的风险，我们可以考虑以下优化方法：
- 建立完整的投资体系和投资标准，综合考虑各类量化指标，精细选股；
- 增加技术面选股因素，考虑股票的技术分析图形等；
- 创建行业分类选股因素，在选股过程中综合考虑公司所处行业的特点和前景；
- 综合考虑更多指标，如市盈率、市净率等评价股票的价值和风险。
最终的选股逻辑
为了完善该选股策略，以下是我们提出的一份更加完善的选股逻辑：
在元宇宙行业中，挑选出今日竞价金额排序前5，外盘/内盘大于1.3的股票进行投资，得到最终的选股结果。
选股条件为：
- 行情：SH或SZ
- 行业特点：元宇宙
- 排序方式：ORDLST(3, "JBJG")
- 资金面条件：TDX_BUYVOL_EXLARGE/TDX_SELVOL_EXLARGE>1.3
- 选股条件：MKT_STK_EXCHANGE(kind1='1', kind2='1', kind3='1')
同花顺指标公式代码参考
- 行情：SH或SZ
- 行情类型：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
- 行业特点：INDUSTRY.industry == "元宇宙"
- 排序方式：ORDLST(3, "JBJG")
- 资金面条件：TDX_BUYVOL_EXLARGE/TDX_SELVOL_EXLARGE>1.3
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
& INDUSTRY.industry == "元宇宙"
& ORDLST(3, "JBJG")
& (TDX_BUYVOL_EXLARGE/TDX_SELVOL_EXLARGE>1.3)
python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry, start_date, end_date):
ts.set_token('your_token')
pro = ts.pro_api()
df = pro.stock_basic(exchange='', list_status='L', fields='ts_code, name, industry, market, \
list_date, pe, pb')
df = df[df['industry'].str.contains(industry)]
k_data = {}
for code in df['ts_code']:
k_data[code] = ts.get_hist_data(code, start=start_date, end=end_date)
rank_table = pd.DataFrame({'code': k_data.keys()})
rank_table['open'] = rank_table['code'].apply(lambda x: k_data[x]['open'])
rank_table['close'] = rank_table['code'].apply(lambda x: k_data[x]['close'])
rank_table['high'] = rank_table['code'].apply(lambda x: k_data[x]['high'])
rank_table['low'] = rank_table['code'].apply(lambda x: k_data[x]['low'])
rank_table = rank_table[(rank_table['close']/rank_table['open'] > 1.01)]
capital_data = {}
for code in rank_table['code']:
capital_data[code] = ts.get_tick_data(code, date=end_date, src='tt')
rank_table = pd.DataFrame({'code': capital_data.keys()})
rank_table['buy'] = rank_table['code'].apply(lambda x: \
capital_data[x][capital_data[x]['type'] == '买盘']['volume'].sum())
rank_table['sell'] = rank_table['code'].apply(lambda x: \
capital_data[x][capital_data[x]['type'] == '卖盘']['volume'].sum())
rank_table = rank_table[(rank_table['buy']/rank_table['sell'] > 1.3)]
filtered = []
for code in rank_table.sort_values(by=['score'], ascending=False).iloc[:5]['code'].tolist():
filtered.append([code, df[df['ts_code'] == code]['name'].iloc[0]])
return pd.DataFrame(filtered, columns=['ts_code', 'name'])
industry = '元宇宙'
start_date = '2022-01-01'
end_date = '2022-01-31'
df = stock_selector(industry, start_date, end_date)
print(df)
以上python代码将返回2022年1月中行业为“元宇宙”，按今日竞价金额排序前5，外盘/内盘大于1.3的主板股票信息。
## 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。
