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，并且三个技术指标同时出现金叉信号。
选股逻辑分析
该选股策略的选股条件包括：选择元宇宙行业中的股票、股票均价站在五日均线之上、三个技术指标同时出现金叉信号。
在该选股策略中，可以注意到使用了技术指标作为选股依据，技术指标可以帮助分析股票价格趋势和动量，并且同时筛选出股价上升势头较强的品种。同时，选择元宇宙行业，可以介入到新兴的行业中，有望获得更好的收益。
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：
- 技术指标的可靠性较低，不能单独作为选股依据；
- 在目标股票不多的情况下，过于依赖技术指标，可能会导致过度交易和高额交易成本；
- 同时金叉作为股票买入信号可能存在滞后或错误把握较大的情况；
- 元宇宙行业的市场还处于早期，相对风险较高。
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：
- 除了技术指标以外，引入基本面因素进行选股，如财务数据、公司业绩等，综合考虑多个因素；
- 对于技术指标的有效性进行充分的验证和研究，对不同时间周期下的技术指标进行分析，以减少虚假信号；
- 进一步过滤预选股票，在目标股票数量不多的情况下，能够降低过度交易和高额交易成本；
- 根据大盘走势和业绩情况等进一步调整股票仓位。
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，并且三个技术指标同时出现金叉信号。
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；
- 三个技术指标同时出现金叉信号。
因此，该选股策略的最终选股公式为：
GNBK('gnxq') AND (C > MA(C,5)) AND (REF(MA(C,5),1) <= REF(MA(C,10),1)) AND (REF(MA(C,10),1) <= REF(MA(C,20),1))
其中，C表示股票的收盘价。
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)
- 十日均线：MA(C,10)
- 二十日均线：MA(C,20)
在通达信中，可以使用如下指标代码：
(C > MA(C,5)) AND (REF(MA(C,5),1) <= REF(MA(C,10),1)) AND (REF(MA(C,10),1) <= REF(MA(C,20),1))
Python代码参考
import pandas as pd
import tushare as ts
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, open, high, low, vol')
data3 = pd.read_csv('path/to/tech_indicators.csv')
data4 = pd.read_csv('path/to/stock_sector.csv')
data5 = pd.merge(data1, data2[['ts_code', 'close', 'open', 'high', 'low', 'vol']], on='ts_code', how='inner')
data6 = pd.merge(data5, data3[['ts_code', 'MA5', 'MA10', 'MA20']], on='ts_code', how='inner')
data7 = pd.merge(data4, data6, on='ts_code', how='inner')
data8 = pd.DataFrame()
for ts_code in data7['ts_code'].unique():
if len(data5.loc[(data5['ts_code'] == ts_code), :]) > 1:
if (data5.loc[(data5['ts_code'] == ts_code), 'close'].values[-1] > data6.loc[(data6['ts_code'] == ts_code), 'MA5'].values[-1]) and (data6.loc[(data6['ts_code'] == ts_code), 'MA5'].values[-2] <= data6.loc[(data6['ts_code'] == ts_code), 'MA10'].values[-2]) and (data6.loc[(data6['ts_code'] == ts_code), 'MA10'].values[-2] <= data6.loc[(data6['ts_code'] == ts_code), 'MA20'].values[-2]):
data8 = data8.append(data7[data7['ts_code'] == ts_code], ignore_index=True)
if len(data8) > 0:
return data8[['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。
