问财量化选股策略逻辑
该选股策略包括三个条件：元宇宙、昨日股价大于250日均线、股价为18.5元。通过筛选出符合条件的股票进行投资。
选股逻辑分析
该选股策略主要通过以下三个条件进行选股：
- 元宇宙：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较稳定且接近长期均线。
- 股价为18.5元：选择小市值的股票。
综合以上三个条件，选择符合要求的个股进行投资。
有何风险？
- 过度依赖历史数据，未能及时反映股票的最新变化，对投资收益造成影响。
- 股票的市值相对较小，流通性可能较差，容易受到市场情绪和资金流动的波动影响。
- 该选股策略没有考虑其他财务和业绩指标的变化，可能对股票的实际价值评估不足。
如何优化？
- 除了考虑股票价格、市值等因素外，也需要结合其他财务和业绩指标进行选股，以更加全面地评估股票价值。
- 提高对股票流通性和资金性质的评估，结合市场情况和投资回报率进行综合分析，确保投资回报稳定。
- 通过闲置资金的分配和多元化投资降低风险，以保证整个投资组合的收益和风险适度。
最终的选股逻辑
该选股策略选择元宇宙板块中，股票均价站在250日均线之上，股价为18.5元的股票进行投资。
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)
股价为18.5元：C == 18.5
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']:
df = pro.query('daily', ts_code=code, fields='trade_date, close, high, low, open, vol')
if len(df) < 2:
continue
if (df.iloc[-2]['close'] >= df['close'].rolling(250).mean()[249]) and (df.iloc[-1]['close'] == 18.5):
_basic = pro.query(
'stock_basic',
ts_code=code,
fields=['name', 'industry', 'exchange', 'list_date', 'market_cap']
)
if ('ST' not in _basic['name'].values[0]) and (_basic['exchange'].values[0] != 'SZSE') and \
(_basic['list_date'].values[0] <= '20220101') and (_basic['market_cap'].values[0] < 5000000000):
data_selected = data_selected.append(
df.tail(1).assign(
name=_basic['name'].values[0],
industry=_basic['industry'].values[0],
market_cap=_basic['market_cap'].values[0]
)
)
data_selected = data_selected.sort_values(by=['close'], ascending=False)
return data_selected[['name', 'industry', 'market_cap']]
## 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。
