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，涨跌幅×超大单净量最大的股票进行投资。
选股逻辑分析
该选股策略在技术面上选择了市场热度和资金面的指标，综合考虑了成交量和价格指标。
有何风险？
该选股策略可能存在以下风险：
- 过于依赖技术面指标，忽略基本面因素，可能导致盲目跟风；
- 当市场行情波动或资金面紧张时，该选股策略可能会出现较大风险；
- 该选股策略不具有行业分类和基本面选股的能力，可能导致大量投资并不具有成长性的公司；
- 涨跌幅和大单净量这两个因素单独或结合起来也不能完全反映股票的投资价值和风险。
如何优化？
为了降低该选股策略的风险，我们可以考虑以下优化方法：
- 建立完整的投资体系和投资标准，综合考虑各类量化指标，精细选股；
- 增加基本面选股因素，综合考虑公司的财务状况、业务模式、管理层团队等基本面因素；
- 创建行业分类选股因素，在选股过程中综合考虑公司所处行业的特点和前景；
- 综合考虑更多指标，如市盈率、市净率等评价股票的价值和风险。
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，涨跌幅×超大单净量最大的股票进行投资，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")
- 技术面条件：TDX_LASTPRICE > TDX_OPEN*1.01
- 资金面条件： (TDX_BUYLARGECAPITAL/TDX_SELLLARGECAPITAL) * (CLOSE - OPEN)/(HIGH - LOW)
- 选股条件：MKT_STK_EXCHANGE(kind1='1', kind2='1', kind3='1')
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")
- 技术面条件：LAST/TDX_OPEN > 1.01
- 资金面条件：(TDX_BUYLARGECAPITAL/TDX_SELLLARGECAPITAL) * (CLOSE - OPEN)/(HIGH - LOW)
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1")
& INDUSTRY.industry == '元宇宙'
& ORDLST(3, "JBJG")
& (LAST/TDX_OPEN > 1.01)
& ((TDX_BUYLARGECAPITAL/TDX_SELLLARGECAPITAL) * (CLOSE - OPEN)/(HIGH - LOW)>0)
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')
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['open'] = rank_table['code'].apply(lambda x: k_data[x]['open'])
rank_table['close'] = rank_table['code'].apply(lambda x: k_data[x]['close'])
rank_table['high'] = rank_table['code'].apply(lambda x: k_data[x]['high'])
rank_table['low'] = rank_table['code'].apply(lambda x: k_data[x]['low'])
rank_table['change'] = rank_table['code'].apply(lambda x: k_data[x]['p_change'])
rank_table = rank_table[(rank_table['close']/rank_table['open'] > 1.01)]
capital_data = {}
for code in rank_table['code']:
capital_data[code] = ts.get_tick_data(code, date=end_date, src='tt')
rank_table = pd.DataFrame({'code': capital_data.keys()})
rank_table['buy'] = rank_table['code'].apply(lambda x: \
capital_data[x][capital_data[x]['type'] == '买盘']['volume'].sum())
rank_table['sell'] = rank_table['code'].apply(lambda x: \
capital_data[x][capital_data[x]['type'] == '卖盘']['volume'].sum())
rank_table = rank_table[(rank_table['buy'] > rank_table['sell']) & \
(rank_table['buy'] != 0) & (rank_table['sell'] != 0)]
rank_table['large_capital_ratio'] = rank_table['buy']/(rank_table['buy']+rank_table['sell'])
rank_table['volume_rate'] = (rank_table['close'] - rank_table['open'])/(rank_table['high'] - rank_table['low'])
rank_table['score'] = rank_table['change'] * rank_table['large_capital_ratio'] * rank_table['volume_rate']
filtered = []
for code in rank_table.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，涨跌幅×超大单净量最大的主板股票信息。
## 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。
