问财量化选股策略逻辑
选股逻辑包括三个条件：选择元宇宙行业的股票、机构动向大于0、反包。根据这些条件进行选股，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股票，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；
- 特别关注反包，即当周下跌的前5天，后2天反手做多的个股。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 对企业的判断可能有误，会导致选股错误；
- 反包操作需要掌握操作时机和确认趋势，如果判断错误，可能会使得亏损加剧；
- 如果市场整体大跌，该策略可能无法有效保护投资本金。
如何优化？
- 加入其他技术指标或基本面指标进行筛选，多角度综合分析，例如PE、PEG等；
- 反包操作需要加入更多的技术指标和风险控制机制，例如设置止损条件和止盈条件；
- 优化选股条件，例如可以选取市场竞争力较强、管理层稳定的企业。
最终的选股逻辑
该选股策略选择元宇宙行业中，机构动向大于0，反包的企业进行投资。
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");
反包：FOK_TD("fptd", -7, -3)
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND FOK_TD("fptd", -7, -3)
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.query('investor', trade_date='20220308', fields='ts_code, trade_type, buy_value, sale_value, net_value')
data5 = pd.pivot_table(data4, values='net_value', index='ts_code', columns='trade_type')
data5['DRS_M'] = (data5.iloc[:, 0] - data5.iloc[:, 1]) / 1e8
data5 = data5.loc[:, ['DRS_M']]
data6 = pd.concat([data3, data5], axis=1)
data6.dropna(inplace=True)
data6.reset_index(drop=True, inplace=True)
data7 = pro.query('daily', ts_code=data6['ts_code'].tolist(), start_date='20220401', end_date='20220408', fields='ts_code, trade_date, open, close, high, low')
data8 = data7.loc[:, ['ts_code', 'trade_date']]
data8['high5'] = data7['high'].rolling(window=5).max()
data8['low5'] = data7['low'].rolling(window=5).min()
data8.dropna(inplace=True)
data9 = data8[(data8['low5'] == data8['close']) & (data8['high5'] == data8['close'])]
data10 = data9[['ts_code', 'trade_date']].copy()
data10['inc'] = (data7.loc[data7['ts_code'].isin(data10['ts_code']) & data7['trade_date'].isin(data10['trade_date']), 'close'].shift(-2) - data7.loc[data7['ts_code'].isin(data10['ts_code']) & data7['trade_date'].isin(data10['trade_date']), 'close']) / data7.loc[data7['ts_code'].isin(data10['ts_code']) & data7['trade_date'].isin(data10['trade_date']), 'close']
data10 = data10[data10['inc'] > 0]
data10 = data10.iloc[:, [0]]
data11 = pd.concat([data6, data10], axis=1)
data11.dropna(inplace=True)
data11.reset_index(drop=True, inplace=True)
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。
