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DEA指标上涨。
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、DEA指标上涨。
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，DEA指标上涨可以代表股票处于上升通道。
有何风险？
该选股策略可能会受到市场情况和机构投资者的影响，存在一些风险：
- 股票价格变化受市场情况、政策影响等因素的影响；
- 中小投资者积极买入，被机构抛售；
- 股票价格波动较大，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：
- 融合其他指标，如MA、RSI等，加强对股票技术面的分析；
- 加强对企业可持续发展的研究，关注企业的生态建设、创新能力等方面；
- 调整股票市值或盈利情况的约束条件；
- 关注市场投资者情绪等因素，如通过情感分析等进行处理。
最终的选股逻辑
该选股策略选择元宇宙行业中，股票均价站在五日均线之上，并且DEA指标上涨的股票进行投资。
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；
- 计算MACD指标，并判断DEA是否上涨，即DEA值大于DEA指标前一期值；
因此，该选股策略的最终选股公式为：
INDUSTRYIDB(2859,GNXQ) AND CROSS(MA(C,5), C) AND REF(MACD(C,12,26,9), 1) < REF(MACD(C,12,26,9), 1, 1) AND MACDDEA(C,12,26,9) > REF(MACDDEA(C,12,26,9), 1)
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)
- MACD指标：MACD(C,12,26,9)
- DEA指标：MACDDEA(C,12,26,9)
在通达信中，可以使用如下指标代码：
CROSS(MA(C,5), C) AND REF(MACD(C,12,26,9), 1) < REF(MACD(C,12,26,9), 1, 1) AND MACDDEA(C,12,26,9) > REF(MACDDEA(C,12,26,9), 1)
Python代码参考
import pandas as pd
import tushare as ts
import talib
def stock_selector():
ts.set_token('your_token')
pro = ts.pro_api()
data1 = pro.query('stock_basic', exchange='SZSE', list_status='L', fields='ts_code, name, industry, list_date, total_share, float_share, market_cap')
data2 = pro.daily(ts_code='', start_date='20220501', end_date='20220501', fields='ts_code,open,high,low,close,vol')
data3 = pd.merge(data1, data2, on='ts_code', how='inner')
data4 = data3.sort_values(by=['ts_code', 'trade_date'])
data5 = pd.DataFrame(columns=['ts_code', 'ma', 'diff', 'dea'])
for ts_code, df in data4.groupby('ts_code'):
close = df['close'].values
ma = talib.MA(close, timeperiod=5)
diff, dea, _ = talib.MACDEXT(close, fastperiod=12, slowperiod=26, signalperiod=9)
data5 = data5.append({'ts_code': ts_code, 'ma': ma[-1], 'diff': diff[-1], 'dea': dea[-1]}, ignore_index=True)
data6 = data5[(data5['ma'] < data5['close']) & (data5['dea'] > data5['dea'].shift(1))]
data7 = pd.merge(data6, data1, on='ts_code', how='inner')
data8 = data7[(data7['market_cap'].notnull()) & (data7['market_cap'] < 2000000000) & (data7['float_share'].notnull()) & (data7['float_share'] < 3000000000)]
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。
