问财量化选股策略逻辑
该选股策略选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉，且主升起动。
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、三个技术指标同时金叉、主升起动。技术指标选择金叉形态，能够准确地捕捉到股票的上涨趋势，主升起动是指近期股票走势比较好，表现出持续的上涨趋势。结合这两个指标进行选股能够提高选股成果的准确度。
有何风险？
该选股策略存在以下风险：
- 忽略了公司的财务状况、市场竞争等多方面因素，确定股票越多，潜在风险越大。
- 技术指标是市场行情的反应，快速变化的市场中，技术指标很难做到精确预测。
- 主升起动是一个相对主观的指标，不同的人可能会有不同的判断，使得选股结果可能存在不确定性。
如何优化？
为了最大程度上降低选股策略的风险，可以进行以下优化：
- 结合基本面指标进行选股，相辅相成，降低单个指标选择股票的风险。
- 将主升起动细分为多个包括成交量、均线等细节因素的指标，使得主观因素尽量降到最低。
- 加入其他的技术指标作为辅助指标，例如RSI、布林带等，从多个角度进行股票的分析和筛选。
最终的选股逻辑
综合以上分析，可以得到一个较为完善的选股逻辑：选择元宇宙行业中，同时满足以下条件的股票进行投资：三个技术指标同时金叉、成交量较大、均线向上。
具体的选股条件为：
- 元宇宙行情为GNXQ；
- MACD金叉：CROSS(MACD(12,26,9), MACDSignal(12,26,9));
- KDJ金叉：CROSS(KDJ_K, KDJ_D) & CROSS(KDJ_K, KDJ_J);
- DMI金叉：CROSS(DMI_PDI, DMI_MDI);
- 成交量较大且逐步上涨：VOLUME > MA(VOLUME, 10) & VOLUME > MA(VOLUME, 30);
- 均线向上：MA(CLOSE, 5) > MA(CLOSE, 30)
通过以上选股策略可以选举出同时具有良好技术面和成长性的企业，适合价值投资和长期投资。
同花顺指标公式代码参考
- 元宇宙行情：GNBK('gnxq')
- MACD指标：MACD(12,26,9)、MACDSignal(12,26,9)
- KDJ指标：KDJ(9,3,3)
- DMI指标：DMI(14)
Python代码参考
import pandas as pd
import tushare as ts
def stock_selector(industry):
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, name, area, industry, list_date, pe, pb, roe')
data1_select = data1[(data1['industry']==industry) & (data1['tot_mv'] < 50000) & (data1['circ_mv'] < 50000) & (data1['area']!='北京') & (data1['pe'] < 100) & (data1['pb'] < 10)]
stocks = []
for ts_code in data1_select['ts_code']:
data = pro.query('daily', ts_code=ts_code, start_date='20220406', end_date='20220505', fields='ts_code, open, high, low, close, vol, pct_chg, limit_up, MACD, MACDSignal, DMI_PDI, DMI_MDI, KDJ_K, KDJ_D, KDJ_J')
data['VOLUME_MA10'] = data['vol'].rolling(10).mean()
data['VOLUME_MA30'] = data['vol'].rolling(30).mean()
data['CLOSE_MA5'] = data['close'].rolling(5).mean()
data['CLOSE_MA30'] = data['close'].rolling(30).mean()
mask1 = (data['MACD'] > data['MACDsignal']) & (data['MACD'].shift(1) < data['MACDsignal'].shift(1))
mask2 = (data['KDJ_K'] > data['KDJ_D']) & (data['KDJ_K'] > data['KDJ_J']) & (data['KDJ_K'].shift(1) < data['KDJ_D'].shift(1)) & (data['KDJ_K'].shift(1) < data['KDJ_J'].shift(1))
mask3 = (data['DMI_PDI'] > data['DMI_MDI']) & (data['DMI_PDI'].shift(1) < data['DMI_MDI'].shift(1))
mask4 = (data['vol'] >= data['VOLUME_MA10']*2) & (data['vol'] >= data['VOLUME_MA30']*1.5)
mask5 = (data['CLOSE_MA5'] > data['CLOSE_MA30'])
mask = mask1 & mask2 & mask3 & mask4 & mask5
if mask.any():
stocks.append([ts_code, data['close'].iloc[-1]])
return pd.DataFrame(stocks, columns=['ts_code', 'close'])
其中，参数industry为所选元宇宙的行业名称。
## 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。
