问财量化选股策略逻辑
选股逻辑：元宇宙行业、量比大于1.5、量比小于6、反包的股票。
选股逻辑分析
该选股策略在元宇宙行业基础上，加入了反包的条件，可以挑选出相对低估的股票。
有何风险？
该选股策略仍未考虑其他基本面指标，过于追求板块热度和反弹行情，可能存在短期投机性和不稳定性。反包指标也具有一定主观性，需谨慎使用。
如何优化？
可以加入更多的筛选条件，如市值、财务表现、经营状况、技术指标等，并结合反包指标，以提高选股精度，并通过分散化投资来降低风险。
最终的选股逻辑
选股逻辑：元宇宙行业、量比大于1.5、量比小于6、反包指标大于0.5的股票、市值介于10亿至100亿的股票。
同花顺指标公式代码参考
通达信代码：
SELECT CODE FROM XX WHERE HY = 'C010103' AND VOLUME_RATIO > 1.5 AND VOLUME_RATIO < 6 AND ANTI_RATIO > 0.5 AND MARKET_VALUE / 100000000 BETWEEN 10 AND 100;
python代码参考
import tushare as ts
def get_stock_data():
gg_stocks = ts.get_zz500s()
gg_stocks = gg_stocks[gg_stocks['industry'] == '元宇宙']
# 获取反包股票
df_1 = ts.pro_bar(api=ts.get_apis(), ts_code='', freq='daily', start_date='', end_date='', ma=[5, 10, 20], factors=['vr'])
df_1 = df_1[df_1['anti']>0.5]
# 获取符合市值要求的股票
df_2 = ts.get_stock_basics()
df_2 = df_2[df_2['code'].isin(gg_stocks['code'])]
df_2 = df_2[(df_2['circulating_market_cap'] / 100000000 <= 100) & (df_2['circulating_market_cap'] / 100000000 >= 10)]
# 合并数据，返回结果
res = pd.merge(df_1[['name', 'code']], df_2[['name', 'code', 'circulating_market_cap', 'pe', 'roe', 'net_profits', 'rev', 'volume_ratio', 'turnover_ratio']], on=['name', 'code'], how='inner')
res = res.rename(columns={'circulating_market_cap': '流通市值', 'pe': '市盈率', 'roe': 'ROE', 'net_profits': '净利润', 'rev': '营收增长率', 'volume_ratio': '量比', 'turnover_ratio': '换手率'})
return res
print(get_stock_data())
## 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。
