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，反包。
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，反包。通过这些条件可以挑选出持续反弹的个股。
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。
-
反包的条件不够明确定义，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。
-
更明确定义反包条件，例如反弹幅度、反弹时间等，使其更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，反包。
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；
- 近期出现一定幅度的下跌，但是持续向上反弹，且反弹幅度和时间合理。
通过以上选股策略可以选举出持续反弹，且公司基本面良好、未来前景可期的企业进行投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- 反弹指标：待定
- 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
if data['close'].iloc[-1] > data['close'].rolling(window=5).mean().iloc[-1]:
if 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。
