(supermind量化投资)task13/a/元宇宙、前日实际换手率>3～28、15分钟

问财量化选股策略逻辑

该选股策略选取元宇宙行业中，前日实际换手率在3%至28%之间，且15分钟K线MACD绿柱子下降趋势减缓的个股进行投资。

选股逻辑分析

该选股策略主要围绕以下条件进行选股：

1. 选取元宇宙行业中的个股，因为元宇宙领域具有较高的成长性和隐含收益；
2. 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；
3. 15分钟K线MACD绿柱子下降趋势减缓，可能表示该个股具有短线反弹的机会。

综合以上条件，选择符合条件的个股进行投资。

有何风险？

1. 该选股策略倾向于追求短线反弹，忽略了个股的长期投资价值；
2. 个股在15分钟周期下的走势可能存在噪声和误判。

如何优化？

1. 加入其他技术指标，例如RSI、均线等，以综合判断个股短期和长期的投资价值；
2. 调整选股策略中各因素的权重，达到更好的效果；
3. 选取更可靠的技术分析指标，例如日线或周线MACD指标。

最终的选股逻辑

该选股策略选取元宇宙行业中，前日实际换手率在3%至28%之间，且15分钟K线MACD绿柱子下降趋势减缓的个股进行投资。

同花顺指标公式代码参考

• 元宇宙行情：GNBK("gnxq");
• 15分钟K线MACD绿柱子：DIF:=EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);DEA:=EMA(DIF,MID);MACD:=(DIF-DEA)*2,CM,RED;DIFF:=DIF-DEA,CM,GREEN;
• 前日实际换手率：TURNOVER(2);
• 是否科创板：INSMK("kcb")
  选股公式：GNBK("gnxq") AND TURNOVER(2)>3 AND TURNOVER(2)<28 AND DIFF[-1] > DIFF[-2]

Python代码参考

import pandas as pd
import tushare as ts
from pandas_datareader import data as pdr
import yfinance as yf

yf.pdr_override()

def stock_selector():
    ts.set_token('your_token')
    pro = ts.pro_api()
    data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,industry')
    data1 = data1[data1['name'].str.contains('元宇宙')]
    start_date = str((pd.Timestamp.now() - pd.Timedelta(days=60)).date())
    end_date = str(pd.Timestamp.now().date())
    data2 = pdr.get_data_yahoo(list(data1['ts_code']), start=start_date, end=end_date, interval='15m', group_by='ticker')
    data2.reset_index(inplace=True)
    data2[['MACD_DIF', 'MACD_DEA', 'MACD_DIFF']] = data2.groupby(by='level_0', as_index=False)[['Close']].apply(lambda x:x.ewm(span=12, adjust=False).mean() - x.ewm(span=26, adjust=False).mean())
    data2[['MACD_DIF', 'MACD_DEA', 'MACD_DIFF']] = data2.groupby(by='level_0', as_index=False)[['MACD_DIF', 'MACD_DEA', 'MACD_DIFF']].apply(lambda x:x.ewm(span=9, adjust=False).mean())
    data2 = data2.groupby(by='level_0', as_index=False).apply(lambda x:x.iloc[-1, :])
    data2.reset_index(drop=True, inplace=True)
    data2[['TURNOVER_1']] = data2[['Volume']] / data2[['Volume']].shift(1) * 100
    data2.dropna(inplace=True)
    data2 = pd.merge(data1, data2, left_on='ts_code', right_on='level_0', how='inner')
    data2.set_index(['ts_code'], inplace=True)
    data2 = data2[data2['MACD_DIFF'] > data2['MACD_DIFF'].shift()]
    data2 = data2[(data2['TURNOVER_1'] > 3) & (data2['TURNOVER_1'] < 28) & ~(data2['ts_code'].str.startswith('300'))]
    data2.reset_index(inplace=True)
    data3 = data2.loc[:, ['ts_code', 'name', 'industry']]
    return data3

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)