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，非ST股票，选股时间为每天10点之前，符合五部涨停战法的股票。
选股逻辑分析
该选股策略的选股条件包括：选择元宇宙行业中的股票、股票均价站在五日均线之上、非ST股票、选股时间为每天10点之前、符合五部涨停战法的股票。
通过选择元宇宙行业可以介入新兴的行业中，有望获得更好的收益。同时，股票均价站在五日均线之上，意味着股票正在上涨，具有一定的投资价值。非ST股票通常情况下相对于ST股票风险较小，具有潜在的上涨空间。并且在每天10点之前选股可以让投资者更早的发现潜在的涨停股，符合五部涨停战法是一种短期投机的手段，但从某种程度上可以缩小风险。
有何风险？
该选股策略存在以下风险：
- 五部涨停战法的盈利仅仅来源于股票的短期投机，不能保证股票的长期上涨空间；
- 股票均价站在五日均线之上只是技术指标，不能保证长期上市公司经营状况的质量，需要进行综合考虑；
- 元宇宙行业在发展初期，风险较高，需要进行风险控制。
如何优化？
为了减小选股策略受到的风险，可以进行如下优化：
- 在选股条件中加入其它技术指标和基本面指标，综合考虑各个方面的因素；
- 结合市场情况，在10点之前进行实时选股，并动态调整和灵活配置；
- 定期评估选股策略的有效性，进行调整和优化。
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，非ST股票，选股时间为每天10点之前，符合五部涨停战法的股票。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- 均价站在五日均线之上；
- 非ST股票；
- 选股时间为每天10点之前；
- 符合五部涨停战法。
因此，该选股策略的最终选股公式为：
GNBK('gnxq') AND (C > MA(C,5)) AND KTV() < 1 AND STRF('ST') = 0 AND (HHV(O, 2) == C AND REF(C, 1) < REF(C, 2) AND REF(C, 2) < REF(C, 3) AND REF(C, 3) < REF(C, 4) AND REF(C, 4) < REF(C, 5))
其中，C表示股票的收盘价，KTV表示当日开盘价到当前价格的涨幅，HHV表示最高价，REF表示对某个时间点前收盘价的引用，STRF表示股票是否为ST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)
- 非ST股票：STRF('ST') = 0
- 涨停价格：HHV(O, 2) == C AND REF(C, 1) < REF(C, 2) AND REF(C, 2) < REF(C, 3) AND REF(C, 3) < REF(C, 4) AND REF(C, 4) < REF(C, 5)
在通达信中，可以使用如下指标代码：
(C > MA(C,5)) AND (KTV() < 1) AND STRF('ST') = 0 AND (HHV(O, 2) == C AND REF(C, 1) < REF(C, 2) AND REF(C, 2) < REF(C, 3) AND REF(C, 3) < REF(C, 4) AND REF(C, 4) < REF(C, 5))
Python代码参考
import pandas as pd
import tushare as ts
def stock_selector(date):
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')
data2 = pro.daily(trade_date=date, fields='ts_code, open, close, high, low, vol')
data3 = data2[['ts_code', 'vol']]
data4 = (data3['vol'] * (data2['close'] - data2['open'])) / (data2['open'] + 1e-10)
data5 = pd.concat([data2['ts_code'], data4], axis=1)
data6 = pd.read_csv('path/to/tech_indicators.csv')
data7 = pd.merge(data1, data5, on='ts_code', how='inner')
data8 = pd.merge(data7, data6[['ts_code', 'MA5']], on='ts_code', how='inner')
data9 = pd.read_csv('path/to/st_status.csv')
data10 = pd.merge(data8, data9, on='ts_code', how='inner')
data11 = data10[data10['tradetime'] < '10:00:00']
data12 = pd.read_csv('path/to/five_limit_up.csv')
data13 = pd.merge(data11, data12, on='ts_code', how='inner')
data14 = data13[['ts_code', 'name']]
return data14
## 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。
