问财量化选股策略逻辑
该选股策略选择在元宇宙行业中，挑选出今日竞价金额排序前5，归属母公司股东的净利润（同比增长率）大于20%小于等于100%的股票进行投资。
选股逻辑分析
该选股策略在基本面上选择了归属母公司股东的净利润同比增长正向的股票，并在技术面上选择了今日竞价金额排名前5的股票，综合考虑了公司业绩和市场交易活跃度。
有何风险？
该选股策略可能存在以下风险：
- 基本面因素往往存在明显的滞后性，可能存在持续增长但受到市场忽视的股票；
- 过于依赖归属母公司股东的净利润同比增长率，忽略其他财务指标和公司经营状况，可能导致盲目跟风；
- 技术面指标不能完全反映市场变化，可能存在投资风险。
如何优化？
为了降低该选股策略的风险，我们可以考虑以下优化方法：
- 建立完整的投资体系和投资标准，综合考虑各类量化指标，精细选股；
- 结合多个基本面指标，从多个角度全面分析公司经营状况；
- 结合多技术面指标，建立完整的投资风险管理措施。
最终的选股逻辑
为了完善该选股策略，以下是我们提出的一份更加完善的选股逻辑：
在元宇宙行业中，挑选出今日竞价金额排序前5，归属母公司股东的净利润（同比增长率）大于20%小于等于100%的股票进行投资，得到最终的选股结果。
选股条件为：
- 行情：SH或SZ
- 行业特点：元宇宙
- 排序方式：竞价金额
- 基本面条件：归属母公司股东的净利润（同比增长率）大于20%小于等于100%
同花顺指标公式代码参考
- 行情：SH或SZ
- 行业特点：INDUSTRY.industry == '元宇宙'
- 排序方式：ORDLST(3, "JBJG")
- 基本面条件：indicator.STK_FIN_FORCAST.yoy_net_profit_parent_company_owner > 20
& indicator.STK_FIN_FORCAST.yoy_net_profit_parent_company_owner <= 100
& INDUSTRY.industry == '元宇宙'
python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry, start_date, end_date):
ts.set_token('your_token')
pro = ts.pro_api()
df = pro.stock_basic(exchange='', list_status='L', fields='ts_code, name, industry, market, \
list_date, pe, pb')
df = df[df['industry'].str.contains(industry)]
forcast = pro.forecast(period='20221231', fields='ts_code, yoy_net_profit_parent_company_owner')
forcast = forcast[forcast['ts_code'].isin(df['ts_code'].tolist())]
forcast = forcast[(forcast['yoy_net_profit_parent_company_owner'] > 20) & \
(forcast['yoy_net_profit_parent_company_owner'] <= 100)]
k_data = {}
for code in forcast['ts_code']:
k_data[code] = ts.get_k_data(code, ktype='D', start=start_date, end=end_date)
rank_table = pd.DataFrame({'code': k_data.keys()})
rank_table['close'] = rank_table['code'].apply(lambda x: k_data[x]['close'])
rank_table['flag'] = rank_table['close'].rolling(window=3).apply(lambda x: \
1 if all(x[i] > x[i+1] for i in range(len(x)-1)) else 0)
rank_table = rank_table[rank_table['flag'] == 1]
quote_data = {}
for code in rank_table['code']:
quote_data[code] = ts.get_realtime_quotes(code)
rank_table = pd.DataFrame({'code': quote_data.keys()})
rank_table['b1_v'] = rank_table['code'].apply(lambda x: \
float(quote_data[x]['b1_v'].iloc[0])/100 if x in quote_data else 0)
rank_table['s1_v'] = rank_table['code'].apply(lambda x: \
float(quote_data[x]['s1_v'].iloc[0])/100 if x in quote_data else 0)
rank_table['jbjg'] = rank_table['code'].apply(lambda x: \
float(quote_data[x]['b1_p'].iloc[0]) if x in quote_data else 0)
rank_table = rank_table[(rank_table['b1_v'] > rank_table['s1_v']) & \
(rank_table['jbjg'] > 0)].sort_values(by=['jbjg'], \
ascending=False)
filtered = []
for code in rank_table.iloc[:5]['code'].tolist():
filtered.append([code, df[df['ts_code'] == code]['name'].iloc[0], \
forcast[forcast['ts_code'] == code]['yoy_net_profit_parent_company_owner'].iloc[0]])
return pd.DataFrame(filtered, columns=['ts_code', 'name', 'yoy_net_profit_parent_company_owner'])
industry = '元宇宙'
start_date = '2022-01-01'
end_date = '2022-01-31'
df = stock_selector(industry, start_date, end_date)
print(df)
以上python代码将返回2022年1月中行业为“元宇宙”，按今日竞价金额排序前5，归属母公司股东的净利润（同比增长率）大于20%小于等于100%的股票信息。
## 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。
