问财量化选股策略逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉，换手率在3%到12%之间。
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、三个技术指标同时金叉、换手率在3%到12%之间。这个策略可以筛选出相对稳定的企业，排除了高换手率的个股，适合价值投资和长期投资。
有何风险？
该选股策略存在以下风险：
-
忽略了公司的财务状况、市场竞争等多方面因素，确定股票越多，潜在风险越大。
-
技术指标是市场行情的反应，快速变化的市场中，技术指标很难做到精确预测。
-
换手率高低不同行业差别较大，无法比较。
如何优化？
为了最大程度上降低选股策略的风险，可以进行以下优化：
-
同时使用多种技术指标，结合基本面指标进行选股，降低单一指标选择股票的风险。
-
对选股条件进行细分，例如选择行业和净利润等更具参考价值的指标作为筛选条件。
-
将换手率筛选条件的范围细分，例如选择换手率在3%到5%之间的股票，以这种方式优化选股条件，从而减少非理性的交易行为对策略的影响。
最终的选股逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉，换手率在3%到5%之间。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- MACD金叉：CROSS(MACD(12,26,9), MACDSignal(12,26,9));
- KDJ金叉：CROSS(KDJ_K, KDJ_D) & CROSS(KDJ_K, KDJ_J);
- DMI金叉：CROSS(DMI_PDI, DMI_MDI);
- 换手率：TURNOVER > 0.03 AND TURNOVER < 0.05。
通过以上选股策略可以选举出同时具有良好技术面和估值优势的企业，适合价值投资和长期投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- MACD指标：MACD(12,26,9)、MACDSignal(12,26,9)
- KDJ指标：KDJ(9,3,3)
- DMI指标：DMI(14)
Python代码参考
import pandas as pd
import tushare as ts
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, area, industry, list_date, pe, pb, roe')
data1_select = data1[(data1['industry']==industry) & (data1['tot_mv'] < 50000) & (data1['circ_mv'] < 50000) & (data1['area']!='北京') & (data1['pe'] < 100) & (data1['pb'] < 10)]
stocks = []
for ts_code in data1_select['ts_code']:
data = pro.query('daily_basic', ts_code=ts_code, trade_date='20220331', fields='ts_code, turnover_rate')
mask1 = (data['turnover_rate'] > 0.03) & (data['turnover_rate'] < 0.05)
data = pro.query('daily', ts_code=ts_code, start_date='20220301', end_date='20220331', fields='ts_code, open, high, low, close, vol, pct_chg, limit_up, MACD, MACDSignal, DMI_PDI, DMI_MDI, KDJ_K, KDJ_D, KDJ_J')
mask2 = (data['MACD'] > data['MACDsignal']) & (data['MACD'].shift(1) < data['MACDsignal'].shift(1))
mask3 = (data['KDJ_K'] > data['KDJ_D']) & (data['KDJ_K'] > data['KDJ_J']) & (data['KDJ_K'].shift(1) < data['KDJ_D'].shift(1)) & (data['KDJ_K'].shift(1) < data['KDJ_J'].shift(1))
mask4 = (data['DMI_PDI'] > data['DMI_MDI']) & (data['DMI_PDI'].shift(1) < data['DMI_MDI'].shift(1))
mask = mask1 & mask2 & mask3 & mask4
if mask.sum() > 0:
stocks.append([ts_code, data['close'].iloc[-1]])
return pd.DataFrame(stocks, columns=['ts_code', '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。
