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，且归属母公司股东的净利润（同比增长率）大于20%小于等于100%。
选股逻辑分析
该选股策略的主要选股条件包括：选择元宇宙行业中的股票、股票均价站在五日均线之上、归属母公司股东的净利润（同比增长率）大于20%小于等于100%。
选择元宇宙行业中的股票可以关注到这个行业的潜在成长性，股票均价站在五日均线之上可以较好地抓住股票的涨势，归属母公司股东的净利润（同比增长率）大于20%小于等于100%表示该公司盈利能力较好。
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：
- 股票对市场判断错误；
- 公司财务状况存在变化；
- 归属母公司股东的净利润（同比增长率）可能受到季节性变化等因素影响。
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：
- 融合其他指标，如MACD、RSI等，加强对股票技术分析；
- 加强对企业财务状况、业绩、盈利能力等方面的研究；
- 关注市场投资者情绪等因素，如通过情感分析、大数据分析等进行处理；
- 加入约束条件，如市值、成交量等限制；
- 考虑在不同价格区间或时间段内进行股票走势的对比。
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，且归属母公司股东的净利润（同比增长率）大于20%小于等于100%。
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，可以通过计算五日均价和股票的收盘价比较；
- 归属母公司股东的净利润（同比增长率）大于20%小于等于100%，可以从财务数据中获取。
因此，该选股策略的最终选股公式为：
INDUSTRYIDB(508030,GNXQ) AND CROSS(MA(C,5), C) AND NPARENTCOMPADR_YOY > 20 AND NPARENTCOMPADR_YOY <= 100
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)
- 归属母公司股东的净利润（同比增长率）：NPARENTCOMPADR_YOY
在通达信中，可以使用如下指标代码：
CROSS(MA(C,5), C) AND NPARENTCOMPADR_YOY > 20 AND NPARENTCOMPADR_YOY <= 100
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, list_date, market_cap, float_share')
data2 = pd.DataFrame()
for i in range(1, 6):
ts_code = f"399997.SZ{i:02d}"
data = pro.index_daily(ts_code=ts_code, start_date='20220501', end_date='20220501', fields='trade_date, close')
data = data.rename(columns={'close': ts_code})
data2 = pd.concat([data2, data], axis=0, ignore_index=True)
data3 = pd.concat([data1, data2], axis=1)
data4 = data3.sort_values(by=['ts_code', 'trade_date'])
data5 = pd.DataFrame(columns=['ts_code', 'ma'])
for ts_code, df in data4.groupby('ts_code'):
close = df['close'].values
ma = talib.MA(close, timeperiod=5)
data5 = data5.append({'ts_code': ts_code, 'ma': ma[-1]}, ignore_index=True)
data6 = pd.merge(data5, data3[['ts_code', 'name', 'np_parent_comp_adr_yoy']], on='ts_code', how='inner')
data7 = data6[(data6['np_parent_comp_adr_yoy'] > 20) & (data6['np_parent_comp_adr_yoy'] <= 100) & (data6['ma'] < data6['close']) & (data6['industry'] == '元宇宙')]
data8 = pd.merge(data7, data1[['ts_code', 'industry']], on='ts_code', how='inner')
data9 = data8[(data8['market_cap'].notnull()) & (data8['market_cap'] > 0) & (data8['market_cap'] < 20000000000) & (data8['float_share'].notnull()) & (data8['float_share'] > 0) & (data8['float_share'] < 30000000000)]
data10 = data9.sort_values(by=['ts_code'])
if len(data10) > 0:
return data10[['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。
