问财量化选股策略逻辑
该选股策略选取元宇宙行业中，机构动向大于0，昨天连续涨停的个股进行投资。
选股逻辑分析
该选股策略主要围绕以下三个条件进行选股：
- 选取元宇宙行业中的股票，因为元宇宙领域具有较高的成长性和隐含收益；
- 机构动向具有预测性和引导作用，选择机构买入股票可以获得较好的资本回报；
- 选择昨天连续涨停的个股，是因为连续涨停表明市场对该股票持续看好，可能具备较高的上涨潜力。
综合以上条件，选择符合条件的个股进行投资。
有何风险？
- 选股过于依赖技术面指标，忽略了基本面的影响，容易出现选股偏差；
- 过于追求涨停股票，可能导致错失其他高潜力的股票；
- 连续涨停的股票难以把握，难以确定是否存在短期暴涨后的回调风险。
如何优化？
- 在技术面指标的基础上，加入基本面指标进行选股，例如EPS、市盈率等；
- 不仅仅考虑连续涨停，可以将条件放宽到近5个交易日内涨幅超过15%的股票；
- 在投资时，需要谨慎控制仓位，避免因为单个股票的风险而导致整个投资组合的风险增加。
最终的选股逻辑
该选股策略选取元宇宙行业中，机构动向大于0，近5个交易日内涨幅超过15%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");
机构动向：DRS_M("zlltgtzb");
涨停股票：C%[-1]==0 AND C%[-2]==0 AND C%[-3]==0
选股公式：GNBK("gnxq") AND DRS_M("zlltgtzb") AND C%[-1]==0 AND C%[-2]==0 AND C%[-3]==0 AND COUNT(C > REF(C, 1), 5) > 2
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='', list_status='L', fields='ts_code,name,industry')
data1 = data1[data1['name'].str.contains('元宇宙')]
data2 = pro.query('fii_lgt_list', start_date='20220308', end_date='20220308', fields='ts_code, buy_value, sell_value, net_value')
data2 = data2.groupby(by='ts_code').sum()
data2['net'] = data2['net_value'] / 1e8
data2 = data2.sort_values(by='net', ascending=False)
data2 = data2.iloc[0:100, :]
data2['rank'] = range(1, 101)
data2 = data2.loc[:, ['rank']]
data3 = pd.concat([data1, data2], axis=1)
data3 = data3.dropna()
data3.reset_index(drop=True, inplace=True)
data4 = pro.daily(ts_code='000001.SZ', start_date='2022-03-04', end_date='2022-03-08', fields='ts_code,close')
data4 = data4.pivot_table(values='close', columns='ts_code', aggfunc='last').T
data4.columns = ['day1', 'day2', 'day3', 'day4', 'day5']
data4.dropna(axis=0, inplace=True)
data4['count'] = ((data4['day1'] == data4['day2']) & (data4['day1'] == data4['day3'])).astype(int)
data5 = pd.concat([data3, data4['count']], axis=1)
data5 = data5[data5['count'] == 1]
data5.reset_index(drop=True, inplace=True)
data6 = pro.query('investor', trade_date='20220308', fields='ts_code, trade_type, buy_value, sale_value, net_value')
data7 = pd.pivot_table(data6, values='net_value', index='ts_code', columns='trade_type')
data7['DRS_M'] = (data7.iloc[:, 0] - data7.iloc[:, 1]) / 1e8
data7 = data7.loc[:, ['DRS_M']]
data8 = pd.concat([data5, data7], axis=1)
data8.dropna(inplace=True)
return data8
## 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。
