问财量化选股策略逻辑
该选股策略选择在元宇宙行业中，挑选出今日竞价金额排序前5，同时竞价涨幅在-2%到5%区间的股票进行投资。
选股逻辑分析
该选股策略以市场表现为主要选股因素，在元宇宙行业中选择今日竞价金额排序前5的股票。同时基于竞价涨幅的范围，筛选合适的投资标的。这种选股逻辑能很大程度上顺应当前市场趋势并挑选出活跃的股票，因此被广泛应用。
有何风险？
该选股策略可能存在以下风险：
- 过度追求近期市场表现，可能令人们错失潜在的投资机会。
- 选股范围窄，很容易导致仅选择当前热门公司，而忽略行业内其他股票，狭隘的投资覆盖面令投资组合风险更加集中化；
- 行业特性不统一，忽略公司业绩和未来发展的评估。
如何优化？
为了优化该选股策略，可以考虑以下方法：
- 加入财务指标，行业表现和未来发展趋势等因素，扩大选股范围。以"PEG Ratio与市盈率比较"和"盈利预测"等指标辅助选股。
- 通过分散化投资，扩大投资范围，减小窄化风险。
- 根据需求选择合适的指标进行优化，防止过度拟合。
- 结合其他行业特性并根据经验，制定不同好的投资策略。
最终的选股逻辑
为了完善该选股策略，以下是我们提出的一份更加完善的选股逻辑：
在元宇宙行业中，挑选出今日竞价金额排序前5，选出竞价涨幅在-2%到5%之间的股票，得到最终的选股结果。
选股条件为：
- 行情：SH或SZ
- 行业特点：元宇宙
- 排序方式：ORDLST(3, "JBJG")
- 竞价涨幅范围: -2 < JP2CP / REF(CLOSE, 1) * 100 < 5
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
& INDUSTRY.industry == "元宇宙"
& JP2CP / REF(CLOSE, 1) * 100 > -2
& JP2CP / REF(CLOSE, 1) * 100 < 5
& ORDLST(3, "JBJG")
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"
- 排序方式：ORDLST(3, "JBJG")
- 竞价涨幅范围: -2 < JP2CP / REF(CLOSE, 1) * 100 < 5
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
& INDUSTRY.industry == "元宇宙"
& JP2CP / REF(CLOSE, 1) * 100 > -2
& JP2CP / REF(CLOSE, 1) * 100 < 5
& ORDLST(3, "JBJG")
python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry, start_date, end_date):
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)]
k_data = {}
for code in df['ts_code']:
k_data[code] = ts.get_hist_data(code, start=start_date, end=end_date)
rank_table = pd.DataFrame({'code': k_data.keys()})
rank_table['jbjg'] = rank_table['code'].apply(lambda x: k_data[x]['close'])
rank_table['ref1'] = rank_table['jbjg'].shift(1)
rank_table['ref2'] = rank_table['jbjg'].shift(2)
rank_table = rank_table[(rank_table['ref1']<rank_table['jbjg']) & (rank_table['jbjg']<rank_table['ref2'])]
rank_table['jp2cp'] = (rank_table['jbjg'] - k_data[rank_table['code'][0]]['pre_close']) / k_data[rank_table['code'][0]]['pre_close'] * 100
filtered = []
for code in rank_table[(rank_table['jp2cp']> -2) & (rank_table['jp2cp']< 5)].sort_values(by=['score'], ascending=False).iloc[:5]['code'].tolist():
filtered.append([code, df[df['ts_code'] == code]['name'].iloc[0]])
return pd.DataFrame(filtered, columns=['ts_code', 'name'])
industry = '元宇宙'
start_date = '2022-01-01'
end_date = '2022-01-31'
df = stock_selector(industry, start_date, end_date)
print(df)
以上python代码将返回2022年1月中行业为“元宇宙”，按今日竞价金额排序前5，竞价涨幅在-2%到5%之间的主板股票信息。
## 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。
