问财量化选股策略逻辑
该选股策略选取元宇宙行业中，机构动向大于0的个股，并且至少有5根均线重合的股票进行投资。
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个股，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；
- 长期均线重合反映了股票的稳定上涨趋势，可以选出质量较高的个股。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 该选股策略只考虑均线重合，可能忽略了其他技术指标和基本面因素；
- 机构动向具有滞后性，可能导致选股不准确；
- 可能存在过度拟合的风险。
如何优化？
- 加入其他技术指标和基本面因素，综合判断股票的投资价值；
- 考虑跨周期均线和异周期均线重合，增加判断的精度；
- 控制仓位，同时选择多个股票进行投资，降低个股风险。
最终的选股逻辑
该选股策略选取元宇宙行业中，机构动向大于0，至少5根长期均线重合的个股进行投资。
同花顺指标公式代码参考
元宇宙行情：GNBK("gnxq");
机构动向：DRS_M("zlltgtzb");
7日、20日、30日均线：MA(C,7),MA(C,20),MA(C,30)
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND MA(C,7)=MA(C,14) AND MA(C,7)=MA(C,20) AND MA(C,7)=MA(C,30) AND MA(C,20)=MA(C,30)
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')]
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 = pd.concat([data1, data2], axis=1)
data3 = data3.dropna()
data3.reset_index(drop=True, inplace=True)
data4 = pro.daily(ts_code='000001.SZ', start_date='2022-03-04', end_date='2022-03-08', fields='ts_code,close')
data4 = data4.pivot_table(index='trade_date', values=['close'], columns='ts_code').T
data4.columns = ['day1_close', 'day2_close', 'day3_close', 'day4_close', 'day5_close']
data4.dropna(axis=0, inplace=True)
data5 = pd.concat([data3, data4], axis=1)
data5 = data5.dropna(subset=['day1_close'], axis=0)
data6 = pro.query('investor', trade_date='20220308', fields='ts_code, trade_type, buy_value, sale_value, net_value')
data7 = pd.pivot_table(data6, values='net_value', index='ts_code', columns='trade_type')
data7['DRS_M'] = (data7.iloc[:, 0] - data7.iloc[:, 1]) / 1e8
data7 = data7.loc[:, ['DRS_M']]
data8 = pd.concat([data5, data7], axis=1)
data8.dropna(inplace=True)
data9 = pro.query('daily_basic', ts_code='600519.SH', start_date='2022-03-01', end_date='2022-03-08', fields='ts_code,trade_date,ma7,ma20,ma30')
data9 = data9.pivot(index='trade_date', columns='ts_code', values=['ma7', 'ma20', 'ma30'])
data9.columns = ['_'.join(col).strip() for col in data9.columns.values]
data9 = data9.dropna(subset=['ma7_600519.SH'], axis=0)
data10 = pd.concat([data8, data9], axis=1)
data10['count'] = ((data10['ma7'] == data10['ma20']) & (data10['ma7'] == data10['ma30']) & (data10['ma20'] == data10['ma30'])).astype(int)
data11 = data10[data10['count'] >= 5]
return data11
## 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。
