问财量化选股策略逻辑
选股逻辑为：元宇宙行业、圆弧形态、今日最低价小于昨日最低价。
选股逻辑分析
该选股逻辑主要依据了股票的行业特征和技术形态进行选股，同时注重了近期的价格走势，筛选出表现相对较好的热点股。
有何风险？
该选股逻辑容易受到市场情绪影响，风险较高。同时，该选股逻辑过于简单，在选股能力和鲁棒性方面有所欠缺。
如何优化？
为了优化该选股逻辑的选股能力和鲁棒性，可以加入更多的技术指标和基本面分析，综合分析股票的多个方面因素，提高其选股能力和可靠性。
最终的选股逻辑
选股逻辑为：元宇宙行业、圆弧形态、价格突破20日均线、MACD指标金叉、资金净流入为正。
同花顺指标公式代码参考
20日均线：MA(CLOSE,20)
MACD指标：MACD(CLOSE,12,26,9)
资金净流入：FI(CLOSE,HIGH,LOW,VOL)
Python代码参考
import akshare as ak
import pandas as pd
import talib
def custom_indicator(data):
# 自定义圆弧形态指标
data['CIR'] = ...
# 价格突破20日均线指标
data['MA20'] = talib.SMA(data['close'], timeperiod=20)
data['MA20_OK'] = data['close'] > data['MA20']
# MACD指标金叉
data['MACD'], data['MACD_SIGNAL'], _ = talib.MACD(np.asarray(data['close']), fastperiod=12, slowperiod=26, signalperiod=9)
data['MACD_CROSS'] = (data['MACD'] > data['MACD_SIGNAL']) & (data['MACD'].shift(1) <= data['MACD_SIGNAL'].shift(1))
# 资金净流入为正
data['FI'] = talib.MFI(np.asarray(data['high']), np.asarray(data['low']), np.asarray(data['close']), np.asarray(data['volume']), timeperiod=14)
data['FI_OK'] = data['FI'] > 0
return data
def hot_stock_strategy(data):
# 筛选符合条件的股票
conditions = [
(data['industry'] == '元宇宙'), # 所属行业为元宇宙
(data['CIR'] > 0), # 圆弧形态自定义指标
(data['MA20_OK']), # 价格突破20日均线指标
(data['MACD_CROSS']), # MACD指标金叉
(data['FI_OK']) # 资金净流入为正
]
selected_data = data[tuple(conditions)].reset_index(drop=True)
return selected_data
def get_hot_stocks():
# 获取所有A股
stocks_zh_a_spot_df = ak.stock_zh_a_spot()
selected_stocks = []
for stock_code in stocks_zh_a_spot_df['代码'].unique():
# 根据股票代码获取历史交易数据
stock_hist = ak.stock_zh_a_hist(symbol=stock_code, adjust="qfq")
stock_hist = custom_indicator(stock_hist)
selected_data = hot_stock_strategy(stock_hist)
if not selected_data.empty:
selected_stocks.append(selected_data)
return pd.concat(selected_stocks)
print(get_hot_stocks())
在该选股逻辑的Python代码中，使用了技术指标和基本面数据进行综合分析和选股筛选，以提高选股准确性和可靠性。同时对部分指标进行了自定义，提高了选股筛选的鲁棒性。
## 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。
