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的股票，并要求dea线上涨，进行投资。
选股逻辑分析
该选股策略选股条件为今日竞价金额排序前5的元宇宙行业股票，并要求dea线上涨。相较于之前的选股策略，该策略更加注重技术指标的涨势。
有何风险？
该选股策略可能存在以下风险：
- 基于单一技术指标选股，可能无法真正反映公司的质量和潜力，导致投资收益较低；
- DEA线存在滞后性，选股可能过于滞后；
- 排序方式只按今日竞价金额，可能不能真正反映公司股票的价值。
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：
- 综合考虑多种股票评分指标，如市值、ROE、PEG等，并给予相应的分值权重；
- 考虑财务数据和技术指标的滞后性，加入其他筛选指标，如阻力位、MACD等；
- 优化排序方式，可增加一些技术指标的考量，如RSI、KDJ等。
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且dea上涨的股票，得到最终的选股结果。
具体选股条件为：
- 行情：SH或SZ
- 行业特点：元宇宙
- 排序方式：竞价金额
- 选股条件：ORDLST(3, "JBJG") <= 5 AND TECH.TREND.DEA > TECH.REF(TECH.TREND.DEA, 1)
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")
- 选股条件：ORDLST(3, "JBJG") <= 5 AND TECH.TREND.DEA > TECH.REF(TECH.TREND.DEA, 1)
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)) & (df['symbol'].str.contains('6') == False)]
k_data = {}
for code in df['ts_code']:
k_data[code] = ts.get_k_data(code, ktype='D', start=start_date, end=end_date)
tech_data = {}
for code in k_data.keys():
tech_data[code] = ts.add_tech_indicator(k_data[code], 'macd', 'mysignal')
rank_table = pd.DataFrame({'code': tech_data.keys()})
rank_table['cp'] = rank_table['code'].apply(lambda x: k_data[x]['close'].iloc[-1] if x in k_data else 0)
rank_table['DEA_diff'] = rank_table['code'].apply(lambda x: tech_data[x]['DEA_diff'].iloc[-1] if x in tech_data else 0)
rank_table['DEA_diff_up'] = rank_table['DEA_diff'] > 0
rank_table.sort_values(by=['DEA_diff_up', 'cp'], ascending=False, inplace=True)
filtered = []
for code in rank_table.iloc[:5]['code'].tolist():
filtered.append([code, df[df['ts_code'] == code]['name'].iloc[0], \
df[df['ts_code'] == code]['pe'].iloc[0]])
return pd.DataFrame(filtered, columns=['ts_code', 'name', 'pe'])
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且DEA线上涨的所有股票信息。
## 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。
