问财量化选股策略逻辑
该选股策略选择元宇宙行业中，符合以下条件的股票进行投资：股票均价站在五日均线之上，大单净量排行。
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，大单净量排行。
该选股策略结合了技术面和资金面的因素来进行选股，通过股票均价站在五日均线之上的条件可以过滤掉暂时表现不佳的标的，大单净量排行可以反映机构资金的进出情况，有利于发现市场热点和潜在的投资机会。
有何风险？
该选股策略存在以下风险：
-
只关注技术面和资金面忽视了其他重要因素，风险较高。
-
大单净量排行容易受市场情绪和机构操作的影响，可能存在比较大的不确定性。
如何优化？
为了减小选股策略的风险，可以采取如下优化策略：
-
可以加入其他技术指标和基本面因素的约束，综合筛选出更加优质的标的；
-
综合考虑机构资金流入情况、市场趋势和其他更为客观和稳定的因素，综合选股。
最终的选股逻辑
该选股策略选择元宇宙行业中，符合以下条件的股票进行投资：股票均价站在五日均线之上，大单净量排行。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- 股票均价在五日均线之上；
- 大单净量排名靠前。
因此，该选股策略结合了技术面和资金面因素，筛选出潜在的优质标的，同时要注意风险控制和多维度考虑。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- 五日均线：MA(C,5)
- 大单净量排名：RANK(DDV)
因此，该选股的最终选股公式为：
GNBK('gnxq') AND (C > MA(C,5)) AND (RANK(DDV) < 10)
Python代码参考
import pandas as pd
import tushare as ts
import talib
def stock_selector(date, industry):
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, name, industry, list_date, circ_mv, pe_ttm, pb, roe')
data2 = pro.daily(trade_date=date, fields='ts_code, close')
data2['MA5'] = talib.MA(data2['close'].values, timeperiod=5)
data3 = pro.moneyflow(ts_code='', trade_date=date)
data4 = data3[data3['buy_sm_vol'] > data3['sell_sm_vol']]
data4['DDV'] = data4['buy_l_vol'] - data4['sell_l_vol']
data4['rank'] = data4['DDV'].rank(ascending=False)
data_merge = pd.merge(pd.merge(data1, data2, on='ts_code', how='inner'), data4, on='ts_code', how='inner')
data_select = data_merge[data_merge['industry']==industry]
data_final = data_select[data_select['close'] > data_select['MA5']].sort_values(by=['rank'])
return data_final[['ts_code', 'name']]
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。
