问财量化选股策略逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：股票均价站在五日均线之上，k小于20。
选股逻辑分析
该选股策略的选股条件包括：选择元宇宙行业，股票均价站在五日均线之上，k小于20。通过这些条件可以挑选出持续反弹但是股价不会过于高估的个股。
有何风险？
该选股策略存在以下风险：
-
忽视了公司基本面的因素，只考虑股价涨势，如果公司的业绩不佳或者未来前景不确定，股价会出现大幅回落的情况。
-
k值的设定不够明确，容易出现选错股票的情况。
如何优化？
为了减少选股策略的风险，可以进行如下优化：
-
引入公司基本面的因素，例如财务状况、竞争力、行业前景等，对具体个股进行更全面、准确地评估。
-
更明确地设定k值，例如考虑历史k值的波动范围、周转率等其他因素，使其更加具有可操作性和准确性。
最终的选股逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：股票均价站在五日均线之上，k小于20。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- 股票均价站在五日均线之上；
- k值小于20，表示股票并没有被过度高估。
通过以上选股策略可以选举出持续反弹但是不会被过度高估的企业进行投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- k值计算公式：KDJ() 中的K值
- 股票均价：AVG(C,5)
Python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry):
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, name, area, industry, list_date, pe, pb, circ_mv')
data1_select = data1[(data1['industry']==industry) & (data1['tot_mv'] < 100000) & (data1['circ_mv'] < 100000) & (data1['area']!='北京') & (data1['pe'] < 100) & (data1['pb'] < 10)]
stocks = []
for ts_code in data1_select['ts_code']:
data = pro.query('daily', ts_code=ts_code, start_date='20180101', end_date='20220101', fields='ts_code, trade_date, open, high, low, close')
if len(data) < 1095:
continue
k, d, j = talib.STOCH(data['high'].values, data['low'].values, data['close'].values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
if k[-1] < 20 and data['close'].iloc[-1] > data['close'].rolling(window=5).mean().iloc[-1] and data['close'].iloc[-1] < data['close'].iloc[-10:].min():
stocks.append([ts_code, data['close'].iloc[-1]])
return pd.DataFrame(stocks, columns=['ts_code', 'close'])
其中，参数industry为所选元宇宙的行业名称。
## 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。
