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的股票，并选择前日实际换手率在3%至28%之间，即相对活跃的股票进行投资。
选股逻辑分析
该选股策略主要考虑了市场流通性和股票相对活跃度两个因素。选择在元宇宙行业中，挑选出竞价金额排序前5的股票，是为了选择出市场表现较好的股票。而选择前日实际换手率在3%至28%之间，可以选择出相对活跃的股票进行投资。综合这两个指标，可以选择出市场表现较好，流动性较高的股票进行投资。
有何风险？
该选股策略可能存在以下风险：
- 可能忽略重要的基本面因素。
- 过于依赖市场流通性，忽略了其他重要因素。
- 对于短线交易者，该指标可能不适用。
如何优化？
为了优化该选股策略，可以考虑以下方法：
- 结合其他技术指标和基本面指标，以及市场环境变化等因素进行综合评估。
- 对于不同市场阶段（例如牛市、熊市）选择不同的技术指标进行参考。
- 增加其他过滤条件，例如股票的财务指标，业绩增长，公司治理等信息来全面评估股票。
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的股票，并选择前日实际换手率在3%至28%之间，即相对活跃的股票进行投资。选股条件为：
- 行情：SH或SZ
- 行业特点：元宇宙
- 竞价金额排序：ORDLST(3, "JBJG")
- 换手率筛选：TRA_RATE_TODAY - TRA_RATE_LASTDAY > 0.03 and TRA_RATE_TODAY - TRA_RATE_LASTDAY < 0.28
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1") &
INDUSTRY.industry == "元宇宙" &
ORDLST(3, "JBJG") &
(TRA_RATE_TODAY - TRA_RATE_LASTDAY > 0.03) &
(TRA_RATE_TODAY - TRA_RATE_LASTDAY < 0.28)
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"
- 竞价金额排序：ORDLST(3, "JBJG")
- 换手率筛选：TRA_RATE_TODAY - TRA_RATE_LASTDAY > 0.03 and TRA_RATE_TODAY - TRA_RATE_LASTDAY < 0.28
- 最终选股：MKT_STK_EXCHANGE(kind1="1", kind2="1", kind3="1") &
INDUSTRY.industry == "元宇宙" &
ORDLST(3, "JBJG") &
(TRA_RATE_TODAY - TRA_RATE_LASTDAY > 0.03) &
(TRA_RATE_TODAY - TRA_RATE_LASTDAY < 0.28)
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, circ_mktcap')
df = df[df['industry'].str.contains(industry)]
company_list = list(df['ts_code'])
daily_data = pro.daily_basic(ts_code=','.join(company_list), start_date=start_date, end_date=end_date, \
fields='ts_code, trade_date, turnover_rate')
daily_data['TRA_RATE_TODAY'] = daily_data['turnover_rate']
daily_data['TRA_RATE_LASTDAY'] = daily_data.groupby('ts_code')['turnover_rate'].shift(-1)
daily_data = daily_data.dropna().reset_index(drop=True)
daily_data = daily_data[daily_data['TRA_RATE_TODAY'] - daily_data['TRA_RATE_LASTDAY'] > 0.03]
daily_data = daily_data[daily_data['TRA_RATE_TODAY'] - daily_data['TRA_RATE_LASTDAY'] < 0.28]
filtered = []
for code in daily_data['ts_code'].unique():
if code not in company_list:
continue
filtered.append([code, df[df['ts_code'] == code]['name'].iloc[0]])
filtered = sorted(filtered, key=lambda x: x[1], reverse=True)[:5]
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，并且前日实际换手率在3%至28%之间，即相对活跃的主板股票的信息。
## 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。
