问财量化选股策略逻辑
该选股策略选取元宇宙行业中，在前日实际换手率在3%至28%之间，且涨跌幅与超大单净量的乘积大于0的股票进行投资。
选股逻辑分析
该选股策略主要围绕以下条件进行选股：
- 选取元宇宙行业中的股票，因为这些企业可能受到元宇宙行业内用户需求的影响，具有潜在的成长性；
- 前日实际换手率在3%至28%之间，可能表示该个股存在着资金流动性和市场认可度；
- 涨跌幅与超大单净量的乘积大于0，表示有一定的资金主力介入，并且该股票走势乐观。
结合以上条件，选取符合条件的个股进行投资。
有何风险？
- 可能存在因为市场、行业或公司事件导致股票走势逆转的风险；
- 对于涨跌幅与超大单净量的乘积的分析方法可能存在问题；
- 只适用于短期投资策略，不适合长期投资者。
如何优化？
- 增加基本面指标进行综合分析；
- 结合自身投资风格进行量化选股。
最终的选股逻辑
该选股策略选取元宇宙行业中，在前日实际换手率在3%至28%之间，且涨跌幅与超大单净量的乘积大于0的股票进行投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK("gnxq");
- 前日实际换手率：TURNOVER(2);
- 涨跌幅：UPPERC - LOWERC;
- 超大单净量：CJL - DCJL;
- 选股条件：GNBK("gnxq") AND TURNOVER(2)>3 AND TURNOVER(2)<28 AND (UPPERC-LOWERC)*(CJL-DCJL)>0
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()
data1 = pro.query('stock_basic', exchange='SSE', list_status='L', fields='ts_code,name,industry')
data1 = data1[data1['industry'].str.contains('元宇宙')]
data2 = pro.moneyflow_hsgt(start_date='20220111', end_date='20220111', fields='ts_code,nickname,jm_net_amount,xzb_net_amount,cjhb_net_amount')
data2['big_money'] = data2['jm_net_amount'] + data2['xzb_net_amount']
data2['big_money_flag'] = data2['big_money'] >= data2['big_money'].quantile(0.8)
data2 = data2[data2['big_money_flag']]
data3 = pro.daily_basic(ts_code='', trade_date='20220111', fields='ts_code,turnover_rate,total_share,float_share,pe,pe_ttm,pb')
data3['actual_turnover'] = data3['turnover_rate'] * data3['float_share'] * 100 / data3['total_share']
data3 = data3[data3['actual_turnover'] > 3]
data3 = data3[data3['actual_turnover'] < 28]
data4 = pro.daily(ts_code='', start_date='20220111', end_date='20220111', fields='ts_code,open,close,low,high,vol,amount')
data4['upper_c'] = data4['high'] - data4['close'].shift()
data4['lower_c'] = data4['close'].shift() - data4['low']
data5 = pd.merge(data4, data2[['ts_code']], on='ts_code', how='inner')
data6 = pd.merge(data5, data3[['ts_code']], on='ts_code', how='inner')
data6['upper_c'].fillna(0, inplace=True)
data6['lower_c'].fillna(0, inplace=True)
data6['big_vol'] = data6['vol'] * 100 / data3[data3['ts_code'] == data6['ts_code'].iloc[0]]['float_share'].iloc[0]
data6['big_net'] = data6['big_vol'] * data6['amount'] / 100000000 / data3[data3['ts_code'] == data6['ts_code'].iloc[0]]['total_share'].iloc[0] * 10000
data6 = data6[(data6['upper_c'] - data6['lower_c']) * data6['big_net'] > 0]
data7 = pd.DataFrame(columns=['ts_code', 'name', 'industry'])
for ts_code in list(data6['ts_code']):
data8 = pd.DataFrame(columns=['ts_code', 'name', 'industry'])
data8.loc[0, 'ts_code'] = ts_code
data8.loc[0, 'name'] = data1[data1['ts_code'] == ts_code]['name'].iloc[0]
data8.loc[0, 'industry'] = data1[data1['ts_code'] == ts_code]['industry'].iloc[0]
data7 = pd.concat([data7, data8])
return data7
## 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。
