问财量化选股策略逻辑
该选股策略选择在元宇宙行业中，按今日竞价金额排序前5的股票中，选择昨日换手率乘以（今日竞价成交量/昨日成交量），在0.5~2之间的股票进行投资操作。
选股逻辑分析
该选股策略综合考虑了市场表现因素和资金流向因素。首先选取了今日竞价金额前5的股票，考虑了股票的市场表现。其次，使用昨日换手率乘以（今日竞价成交量/昨日成交量）的方式综合考虑了资金在股票中的流向，以进一步增加选股策略的精度。
有何风险？
该选股策略可能存在以下风险：
- 过度关注中短期表现，忽视了公司的长期发展潜力。
- 在股票市场走势波动的情况下，股票的投资收益可能大幅波动。
如何优化？
为了优化该选股策略，可以考虑以下方法：
- 综合基本面和技术面因素，开发出更加全面的选股策略模型。
- 不断提高选股策略的精度，可以通过在筛选股票时，增加更多关键指标或者使用更高级别的指标，并逐步完善风控机制。
最终的选股逻辑
在元宇宙行业中，根据股票今日竞价金额的大小，选择今日竞价金额排序前5的股票，然后综合昨日换手率和今日竞价成交量与昨日成交量，筛选满足条件在0.5~2之间的股票进行投资。选股条件为：
- 行情：SH或SZ
- 行情类型: MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
- 行业特点：元宇宙
- 竞价金额排序：ORDLST(1, "JBJG")
- 换手率：TURNOVER/(DELAY(TURNOVER,1))
- 竞价成交量/昨日成交量：VOL/DELAY(VOL,1)
- 筛选0.5~2范围内的股票： (TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) > 0.5 & (TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) < 2
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1") &
INDUSTRY.industry == "元宇宙" &
ORDLST(1, "JBJG") &
(TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) > 0.5 &
(TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) < 2
同花顺指标公式代码参考
- 行情：SH或SZ
- 行情类型: MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
- 行业特点：INDUSTRY.industry == "元宇宙"
- 竞价金额排序：ORDLST(1, "JBJG")
- 换手率：TURNOVER/(DELAY(TURNOVER,1))
- 竞价成交量/昨日成交量：VOL/DELAY(VOL,1)
- 筛选0.5~2范围内的股票： (TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) > 0.5 & (TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) < 2
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1") &
INDUSTRY.industry == "元宇宙" &
ORDLST(1, "JBJG") &
(TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) > 0.5 &
(TURNOVER/(DELAY(TURNOVER,1))) * (VOL/DELAY(VOL,1)) < 2
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()
df = pro.stock_basic(exchange='', list_status='L', fields='ts_code, name, industry, market, \
list_date, pe, pb, circ_mktcap')
df = df[(df['industry'].str.contains(industry))]
company_list = list(df['ts_code'])
daily_data = pro.daily(ts_code=company_list, start_date='20210301', end_date='20210305')
turnover_data = pro.daily_basic(ts_code=company_list, start_date='20210301', end_date='20210305', fields='ts_code, trade_date, turnover_rate')
turnover_data = turnover_data.set_index(['ts_code', 'trade_date'])
vol_data = daily_data[['ts_code', 'trade_date', 'vol']]
vol_data = vol_data.set_index(['ts_code', 'trade_date'])
vol_data['vol_ratio'] = vol_data['vol'] / vol_data.groupby(level=0)['vol'].shift(1)
merged_data = turnover_data.join(vol_data, how='outer').reset_index()
merged_data['indicator'] = (merged_data['turnover_rate'] * merged_data['vol_ratio']).apply(lambda x: True if x > 0.5 and x < 2 else False)
filtered = merged_data[merged_data['indicator'] == True]
ts_codes = filtered.ts_code.unique().tolist()
filtered_result = df[df['ts_code'].isin(ts_codes)]
result = filtered_result.sort_values(by='circ_mktcap', ascending=False).head(5)
return result
industry = '元宇宙'
df = stock_selector(industry)
print(df)
以上python代码将返回选出的行业为“元宇宙”，今日竞价金额前五，昨日换手率乘以（今日竞价成交量/昨日成交量）在0.5~2范围内的股票信息。
## 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。
