问财量化选股策略逻辑
选股逻辑包括三个条件：选择元宇宙行业的股票、机构动向大于0、形态识别为圆弧形。根据这些条件进行选股，进行投资。
选股逻辑分析
该选股策略主要围绕以下三个条件进行选股：
- 选取元宇宙行业中的股票，因为元宇宙领域具有较高的成长性和隐含收益；
- 机构动向具有预测性和引导作用，选择机构买入股票可以获得较好的资本回报；
- 选取圆弧形态的股票进行投资，因为圆弧形态是股价未来可能反转的信号。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 行业投资的风险因素较大，选股策略难以捕捉行业整体动向；
- 只考虑机构动向和形态识别可能会忽略一些重要指标；
- 圆弧形态的判断存在主观性，可能会出现判断错误；
- 如果市场整体大跌，该策略可能无法有效保护投资本金。
如何优化？
- 加入行业板块轮动因素，进行相对强势的行业和个股选择；
- 综合考虑不同时间段的股票表现情况，并结合基本面指标等多个维度进行分析；
- 加入风险控制指标，有效保护投资本金；
- 优化形态识别算法，提高圆弧形态的准确性。
最终的选股逻辑
该选股策略选择元宇宙行业中，机构动向大于0，形态识别为圆弧形的股票进行投资。
同花顺指标公式代码参考
元宇宙行业：GNBK("gnxq");
机构动向：DRS_M("zlltgtzb");
圆弧形态识别：CIRCULARARC("k", 5, 10, 10, 1, 0.05, 0.2);
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND CIRCULARARC("k", 5, 10, 10, 1, 0.05, 0.2) > 0;
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()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,industry')
data1 = data1[(data1['name'].str.contains('元宇宙')) & (data1['industry'] != '银行')]
data2 = pro.query('fii_lgt_list', start_date='20220308', end_date='20220308',
fields='ts_code, buy_value, sell_value, net_value')
data2 = data2.groupby(by='ts_code').sum()
data2['net'] = data2['net_value'] / 1e8
data2 = data2.sort_values(by='net', ascending=False)
data2 = data2.iloc[0:100, :]
data2['rank'] = range(1, 101)
data2 = data2.loc[:, ['rank']]
data3 = pro.query('daily_basic', trade_date='20220307',
fields='ts_code, pct_chg',
filters='pct_chg>0')
data4 = pro.query('kline', ts_code='000001.SH', start_date='20220307', end_date='20220307',
fields='trade_date, k')
data4 = data4.iloc[0, :]
data4 = pd.DataFrame({'ts_code': ['000001.SH'], 'k': [data4['k']]})
data5 = pd.DataFrame()
for i in range(50):
data_k = pro.query('kline', ts_code=data1.iloc[i, 0], start_date='20220101', end_date='20220307',
fields='trade_date, close', ktype='W')
data_k['ts_code'] = data1.iloc[i, 0]
data_k.reset_index(drop=True, inplace=True)
data5 = pd.concat([data5, data_k])
data5 = data5.pivot(index='trade_date', columns='ts_code', values='close')
data5['sh000001'] = data4.loc[0, 'k']
data5.fillna(method='ffill', inplace=True)
data5.reset_index(inplace=True)
data5 = data5.loc[:, ['trade_date', 'sh000001']]
data6 = pd.DataFrame()
for i in range(50):
data_k = pro.query('kline', ts_code=data1.iloc[i, 0], start_date='20220101', end_date='20220307',
fields='trade_date, close', ktype='W')
data_k['ts_code'] = data1.iloc[i, 0]
data_k.reset_index(drop=True, inplace=True)
data_k = pd.merge(data_k, data5, on='trade_date')
data_k['return'] = data_k.iloc[:, -1] / data_k.iloc[:, -2] - 1
data_k['return'] = data_k['return'] * 100
data_k.reset_index(drop=True, inplace=True)
data6 = pd.concat([data6, data_k])
data6 = data6.loc[:, ['ts_code', 'return']]
data6 = data6.groupby(by='ts_code').sum()
data6 = data6.sort_values(by='return', ascending=False)
data6 = data6.iloc[0:100, :]
data6['rank'] = range(1, 101)
data6 = data6.loc[:, ['rank']]
data7 = pd.concat([data1.loc[:, 'ts_code'], data2, data3.loc[:, 'pct_chg'], \
data6.loc[:, 'rank']], axis=1)
data7.columns = ['ts_code', 'ddjlr_rank', 'pct_chg', 'return_rank']
data7.reset_index(drop=True, inplace=True)
data7['circle_arc'] = data7['ts_code'].apply(lambda x: CIRCULARARC(x, 5, 10, 10, 1, 0.05, 0.2))
data7 = data7[data7['circle_arc'] > 0]
data7.sort_values(by='circle_arc', ascending=False, inplace=True)
data7 = data7.iloc[0:50, :]
return data7
def CIRCULARARC(stock_code, K, N, M1, M2, f, s):
"""
K: 判断的周期；
N: 计算均线的周期；
M1, M2: 判定区间范围，(1-f)*MA, (1+f)*MA；
f: 判定区间范围比例因子；
s: 判断幅度范围，s*ATR。
"""
ts.set_token('your_token')
pro = ts.pro_api()
df_k = pro.query('kline', ts_code=stock_code, start_date='20180101', end_date='20220307', ktype='W', fields='open, high, low, close')
df_k['K'] = (df_k['high'].rolling(K).max() + df_k['low'].rolling(K).min()) / 2
df_k['MA'] = df_k['K'].rolling(N).mean()
df_k['STD'] = df_k['K'].rolling(N).std()
df_k['UP'] = df_k['MA'] + M2 * df_k['STD']
df_k['DOWN'] = df_k['MA'] - M1 * df_k['STD']
df_k['ATR'] = (df_k['high'] - df_k['low']).rolling(N).mean().shift(1)
df_k = df_k.dropna()
if df_k.iloc[-1]['close'] >= df_k.iloc[-1]['UP']:
if (df_k.iloc[-1]['close'] - df_k.iloc[-1]['UP']) / df_k.iloc[-1]['ATR'] >= s:
return 1
else:
return 0
elif df_k.iloc[-1]['close'] <= df_k.iloc[-1]['DOWN']:
if (df_k.iloc[-1]['DOWN'] - df_k.iloc[-1]['close']) / df_k.iloc[-1]['ATR'] >= s:
return 1
else:
return 0
else:
return 0
## 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。
