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，kdj(KDJ指标)（K值）增长。
选股逻辑分析
该选股策略的主要选股条件包括：选择元宇宙行业中的股票、股票均价站在五日均线之上、kdj(KDJ指标)的K值增长。
选择元宇宙行业的股票，可以体现对新兴行业的关注和投资。选择股票均价站在五日均线之上的股票，则显示出该股票较好的短期涨势。而选择kdj(KDJ指标)的K值增长的股票，则显示出该股票有望进一步上涨。
有何风险？
该选股策略可能会受到市场环境、政策变化等多种因素的影响，存在一些风险：
- 股票对市场判断错误；
- 选股条件过于简单，存在遗漏；
- KDJ指标的K值增长只是一个辅助指标，不能够充分反映股票的真实增长情况；
- 所选行业发展迅速，出现系统性风险。
如何优化？
为了减小选股策略受到的风险，可以进行如下优化：
- 加入更多的技术指标和股票价值分析，如SMA、MACD、PEG等，综合考虑多种指标；
- 更加深入的分析企业财务状况、业绩、投资风险等方面的指标，提高选股精度；
- 选择更合理的KDJ指标的K值条件，结合KDJ的D值和J值进行比较；
- 不仅考虑单一指标条件，而应该将多个指标综合分析。
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，kdj(KDJ指标)的K值增长。
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，可以通过计算五日均价和股票的收盘价比较；
- kdj(KDJ指标)的K值增长，可以通过计算KDJ指标中最近的两日的K值增长来判断。
因此，该选股策略的最终选股公式为：
BKI('gnxq') AND CROSS(MA(C,5), C) AND (REF(KDJ(K,9,3),2) - KDJ(K,9,3)) > 0
其中，REF(KDJ(K,9,3),2)表示KDJ(K,9,3)指标在前两天的值，KDJ(K,9,3)表示KDJ指标的K值。
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)
- KDJ(K,9,3)指标：KDJ(K,9,3)
- KDJ指标的K值增长：REF(KDJ(K,9,3),2) - KDJ(K,9,3)
在通达信中，可以使用如下指标代码：
CROSS(MA(C,5), C) AND (REF(KDJ(K,9,3),2) - KDJ(K,9,3)) > 0
Python代码参考
import pandas as pd
import tushare as ts
from pyalgotrade import technical
from pyalgotrade.technical import kd as kd
def stock_selector(date):
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')
data2 = pro.daily(trade_date=date, fields='ts_code, close, pre_close')
data2['chg'] = data2['close'] - data2['pre_close']
data2['chg_sign'] = data2['chg'].apply(lambda x: 1 if x > 0 else -1 if x < 0 else 0)
data3 = pd.merge(data1, data2[['ts_code', 'chg_sign']], on='ts_code', how='inner')
data4 = data3.sort_values(by=['ts_code'])
data5 = pd.read_csv('path/to/stock_sector.csv')
data6 = pd.merge(data5, data4, on='ts_code', how='inner')
data7 = data6[data6['sector_code'] == '000001.SH']
data8 = data7[(data7['industry'] == '元宇宙')]
data9 = pd.DataFrame()
for ts_code in data8['ts_code']:
if (data1.loc[(data1['ts_code'] == ts_code), 'circ_mv'].values[0] > 5000) and (data1.loc[(data1['ts_code'] == ts_code), 'circ_mv'].values[0] < 10000):
df = pro.daily(ts_code=ts_code, start_date=(pd.to_datetime(date) - pd.DateOffset(days=30)).strftime('%Y%m%d'), end_date=date, fields='ts_code, close')
if len(df) >= 9:
close_prices = df['close'].tolist()
high_prices = df['high'].tolist()
low_prices = df['low'].tolist()
period = 9
k, d = kd.KDGenerator(high_prices, low_prices, close_prices, period, 3, 3).getKd()
if k[-1] > k[-2]:
data9 = data9.append(data8[data8['ts_code'] == ts_code], ignore_index=True)
if len(data9) > 0:
return data9[['ts_code', 'name']]
else:
return pd.DataFrame()
## 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。
