问财量化选股策略逻辑
该选股策略选取元宇宙行业中，前日实际换手率在3%-28%之间，且非ST（不含ST和*ST）的个股中，当日开盘前十分钟内跌幅不超过1%，且当日连续五个交易日内出现过涨停的股票进行投资。
选股逻辑分析
该选股策略的选股条件主要包括：
- 选取元宇宙行业中的股票，因为这些企业可能受到元宇宙行业内用户需求的影响，具有潜在的成长性；
- 前日实际换手率在3%-28%之间，表示市场对其价值存在认可，具有一定的投资价值；
- 选取非ST（不含ST和*ST）的个股，排除股票存在潜在的风险；
- 当日开盘前十分钟内的股价跌幅不超过1%，把握股票走势；
- 当日连续五个交易日内出现过涨停，股票具有强势上涨的趋势。
通过对以上条件进行综合挑选，最终选出符合条件的个股进行投资。
有何风险？
- 开盘前十分钟内跌得不好把握，只要稍有波动就无法选中股票；
- 涨停、跌停等市场情况变化快速，选股结果可能存在一定的时效性；
- 选股条件过于过滤，导致选股结果较为稀缺，进而影响资金的分配和投资回报。
如何优化？
- 加入更多的指标，如市盈率、市净率等，综合分析选股结果以提高选股精度；
- 建立更加科学合理的风险控制机制，对投资组合进行监督和风险管理；
- 加入量化分析，通过机器学习等技术对选股策略进行优化。
最终的选股逻辑
该选股策略选取元宇宙行业中，前日实际换手率在3%-28%之间，非ST（不含ST和*ST）的个股中，当日开盘前十分钟内跌幅不超过1%，且当日连续五个交易日内出现过涨停的股票进行投资。选股条件具体为：元宇宙行情为GNXQ，前日实际换手率为TURNOVER(2)，非ST条件为LIST_STATUS!='ST' and LIST_STATUS!='*ST'，当日开盘前十分钟跌幅为(lower - close)/close<0.01, 10<=BAR_COUNT_T(60,0)<=14, 盘中出现1个涨停板或ST止跌板或涨幅>=9（当日最高价/前收盘价-1>=0.09）。
同花顺指标公式代码参考
- 元宇宙行情：GNBK("gnxq");
- 前日实际换手率：TURNOVER(2);
- LIST_STATUS：BARSSINCE(list_status=="ST");
- 当日开盘前十分钟跌幅：(lower - close)/close<0.01 and 10<=BAR_COUNT_T(60,0)<=14;
- 盘中出现1个涨停板或ST止跌板或涨幅>=9：LAST(BARSLAST(HIGH/REF(CLOSE,1)-1>=0.09 OR BARSLAST(TR=XG((LAST(CLOSE-LAST(CLOSE,1))/LAST(CLOSE,1))<-0.04 AND ST>=LAST(ST,2))), 5)>0);
- 选股条件：GNBK("gnxq") AND TURNOVER(2)>3 AND TURNOVER(2)<28 AND LIST_STATUS!='ST' and LIST_STATUS!='*ST' AND (lower - close)/close<0.01 and 10<=BAR_COUNT_T(60,0)<=14 and LAST(BARSLAST(HIGH/REF(CLOSE,1)-1>=0.09 OR BARSLAST(TR=XG((LAST(CLOSE-LAST(CLOSE,1))/LAST(CLOSE,1))<-0.04 AND ST>=LAST(ST,2))), 5)>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='SSE', list_status='L', fields='ts_code, name, industry, list_status')
data1 = data1[data1['industry'].str.contains('元宇宙') & (data1['list_status'].isin(['L', 'N']))]
data2 = pro.daily_basic(ts_code='', trade_date='20220111', fields='ts_code, turnover_rate, amount')
data2['actual_turnover'] = data2['turnover_rate'] * 100
data2 = data2[data2['actual_turnover'] > 3]
data2 = data2[data2['actual_turnover'] < 28]
data3 = pro.bar(ts_code='', start_date='20220111', end_date='20220111', freq='1min', fields='open, close, high, low, vol')
data3['change_percent'] = (data3['low'] - data3['close']) / data3['close']
data3 = data3[data3['change_percent'] < 0.01]
data3 = data3.groupby('ts_code').apply(lambda x: (len(x.iloc[0:10]) == 10) & (len(x[x['vol'] >= x['vol'].mean() * 1.5]) >= 1)).reset_index()
data3 = data3[data3[0] == True]['ts_code']
data4 = pro.moneyflow(ts_code='', start_date='20220102', end_date='20220111', fields='ts_code,buy_lg_amount, sell_lg_amount')
data4['net_lg_amount'] = data4['buy_lg_amount'] - data4['sell_lg_amount']
data4 = data4.groupby('ts_code').apply(lambda x: x[x['net_lg_amount'] > 0.05]['net_lg_amount'].rolling(window=5).max().sum() > 0).reset_index()
data4 = data4[data4[0] == True]['ts_code']
data5 = pd.merge(data1, data2[['ts_code', 'actual_turnover']], on='ts_code', how='inner')
data5 = data5[data5['ts_code'].isin(data3)]
data5 = data5[data5['ts_code'].isin(data4)]
return data5[['ts_code', 'name']]
## 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。
