问财量化选股策略逻辑
选股逻辑包括三个条件：元宇宙板块中的股票、昨日股价大于250日均线、反包。根据这些条件筛选符合条件的股票，进行投资。
选股逻辑分析
该选股策略主要考虑以下三个条件进行选股：
- 元宇宙板块中的股票：选择热门板块中的个股。
- 昨日股价大于250日均线：判断个股目前的价格是否相对稳定且接近长期均线。
- 反包：选取昨日收盘价低于开盘价的股票，预期股票会出现日内反弹。
综合以上三个条件，选择合适的个股进行投资。
有何风险？
- 过于依赖短期趋势和热点板块，忽视个股本身的长期价值和业绩表现。
- 反包选股策略的可靠性和实际效果存在一定的不确定性，容易做出错误的选择。
- 如果没有建立完善的风控体系和持续优化选股策略，可能会面临重大风险和亏损压力。
如何优化？
- 在综合考虑多个因素进行选股时，应该特别关注企业的基本面、财务状况、管理体系和行业竞争力等因素，避免盲目跟风和过度关注短期趋势。
- 针对反包选股策略，应该增加其他的技术指标和数据分析来进行辅助判断，提高策略的准确性和可靠性，例如震荡指标、均线系统、趋势判断等等。
- 在风控体系方面，需要建立完整的实时监控和风险控制系统，及时回收风险并且避免过度押注。
最终的选股逻辑
该选股策略选择元宇宙板块中，昨日股价大于250日均线且反包的个股进行投资。
同花顺指标公式代码参考
元宇宙：GNBK("gnxq")
昨日股价大于250日均线：C >= MA(250)
反包：C < O
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()
# 获取所有元宇宙板块中的个股
gnxq = pro.index_basic(
fields='category',
identifying_code='9650',
market='SSE'
)
gnxq_stocks = gnxq.loc[gnxq['category'] == 'GN023']
data_selected = pd.DataFrame()
for code in gnxq_stocks['con_code']:
_basic = pro.query(
'stock_basic',
ts_code=code,
fields=['name', 'industry', 'exchange', 'list_date']
)
if len(_basic) == 0:
continue
if ('ST' not in _basic['name'].values[0]) and (_basic['exchange'].values[0] != 'SZSE') and \
(_basic['list_date'].values[0] >= '20210101'):
df = pro.query(
'daily',
ts_code=code,
fields='trade_date, close, high, low, open, pct_chg, vol, amount'
)
if len(df) < 10:
continue
if (df.iloc[-2]['close'] >= df['close'].rolling(250).mean()[249]) and (df.iloc[-2]['close'] < df.iloc[-2]['open']):
data_selected = data_selected.append(
df.tail(1).assign(
name=_basic['name'].values[0],
industry=_basic['industry'].values[0],
exchange=_basic['exchange'].values[0],
list_date=_basic['list_date'].values[0]
)
)
data_selected = data_selected.sort_values(by=['amount'], ascending=False)
return data_selected[['name', 'industry', 'exchange', 'list_date']]
## 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。
