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，未清偿可转债简称不可为空。
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，未清偿可转债简称不可为空。
和上一题类似，该选股策略同样着重于选择元宇宙行业内，技术面表现良好的标的。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。
加入未清偿可转债简称不可为空的条件，可以筛选出潜在的可转债标的，同时也强化了选择优质标的的要求。
有何风险？
该选股策略存在以下风险：
-
未清偿可转债简称不可为空的标准有时会限制筛选出的范围，导致信息不全面；
-
选股策略忽视了其他技术面和基本面因素等重要因素，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：
-
未清偿可转债简称不可为空可以作为可转债投资策略的补充，同时需要注意结合可转债的基本面进行综合分析；
-
综合运用其他技术指标和基本面因素，尽可能从多个方面筛选出优质标的。
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，未清偿可转债简称不可为空。
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；
- 未清偿可转债简称不为空，即当前未清偿的可转债数量不为0。
因此，该选股策略综合考虑了技术面和可转债投资的因素，筛选出潜在的优质标的。
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)
- 未清偿可转债简称：GET_CZCE_CB_LIST()
因此，该选股的最终选股公式为：
GNBK('gnxq') AND (C > MA(C,5)) AND (GET_CZCE_CB_LIST().未清偿简称 != '')
Python代码参考
import pandas as pd
import tushare as ts
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')
cb_data = pro.cb_basic()
cb_data = cb_data[cb_data['remain_size']>0]
cb_data.rename(columns={'ts_code':'cb_code'}, inplace=True)
data2 = pro.daily(trade_date=date, fields='ts_code, close')
data2['MA5'] = talib.MA(data2['close'].values, timeperiod=5)
data_merge_1 = pd.merge(data1, data2, on='ts_code', how='inner')
data_merge_2 = pd.merge(data_merge_1, cb_data, on='ts_code', how='inner')
data_merge_3 = data_merge_2[data_merge_22['industry']==industry]
data_merge_4 = data_merge_3[data_merge_3['close'] > data_merge_3['MA5']]
data_merge_5 = data_merge_4[data_merge_4['cb_code'].notnull()]
return data_merge_5[['ts_code', 'name']]
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。
