问财量化选股策略逻辑
该选股策略包括四个条件：元宇宙、昨日股价大于250日均线、现量大于1万手、高开。通过筛选出符合条件的股票进行投资。
选股逻辑分析
该选股策略主要通过以下四个条件进行选股：
- 元宇宙：选择热门板块中的个股。
- 昨日股价大于250日均线：判断个股目前的价格是否较稳定且接近长期均线。
- 现量大于1万手：选择成交量较大的股票进行投资。
- 高开：判断个股当前的涨跌幅是否较大且具有较好的上涨动力。
综合以上四个条件，选择符合要求的个股进行投资。
有何风险？
- 过度依赖历史数据，未能及时反映股票的最新变化，对投资收益造成影响。
- 成交量较大的股票可能受到机构和大户的操作，有一定的风险。
- 高开和涨跌幅较大的股票可能伴随着较高的波动性和风险。
如何优化？
- 考虑其他财务和业绩指标的变化趋势，以更加全面、准确地评估股票风险。
- 综合考虑股票的流通性和资金性质，确定合适的成交量标准，避免因成交量过大而受限于机构和大户的操作。
- 加入其他技术指标进行判断，以确保选出的股票价值稳定，波动性较小。
最终的选股逻辑
该选股策略选择元宇宙板块中，股票均价站在250日均线之上，成交量大于1万手，且当日开盘价高于昨日收盘价的股票进行投资。
同花顺指标公式代码参考
元宇宙：GNBK("gnxq")
昨日股价大于250日均线：C >= MA(250)
现量大于1万手：V >= 10000
高开：O > REF(C, 1)
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()
# 获取所有元宇宙板块中的个股
gnxq = pro.index_basic(
fields='category',
identifying_code='9650',
market='SSE'
)
gnxq_stocks = gnxq.loc[gnxq['category'] == 'GN023']
data_selected = pd.DataFrame()
for code in gnxq_stocks['con_code']:
df = pro.query('daily', ts_code=code, fields='trade_date, close, high, low, open, vol')
if len(df) < 2:
continue
if df.iloc[-2]['close'] >= df['close'].rolling(250).mean()[249] and \
df.iloc[-1]['vol'] >= 10000 and df.iloc[-1]['open'] > df.iloc[-2]['close']:
_basic = pro.query(
'stock_basic',
ts_code=code,
fields=['name', 'industry', 'exchange', 'list_date']
)
if ('ST' not in _basic['name'].values[0]) and (_basic['exchange'].values[0] != 'SZSE') and \
(_basic['list_date'].values[0] <= '20220101'):
data_selected = data_selected.append(
df.tail(1).assign(name=_basic['name'].values[0], industry=_basic['industry'].values[0])
)
data_selected = data_selected.sort_values(by=['close'], ascending=False)
return data_selected[['name', 'industry']]
## 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。
