问财量化选股策略逻辑
选股逻辑为：元宇宙行业、圆弧形态、今日控盘比例大于21。
选股逻辑分析
该选股逻辑结合了行业热点、技术形态和资金流动进行筛选，控盘比例可以反映出股票当前的市场热度。
有何风险？
该选股逻辑忽略了股票的中长期走势和基本面因素，且只依赖于短期的资金流动情况，存在较大风险。
如何优化？
优化此选股逻辑需要将股票的中长期走势、基本面和短期资金流动进行结合分析，以提高其鲁棒性和准确性。
最终的选股逻辑
选股逻辑为：元宇宙行业、圆弧形态、今日控盘比例大于21、月线MACD金叉、年线MA5上穿MA10。
同花顺指标公式代码参考
元宇宙行业可以通过万德或通达信数据获取，也可以自行定义股票所属行业。
圆弧形态无默认指标公式，需要根据市场自行定义。
控盘比例指标：LWR(-1,[大单成交量]>[大单成交量 1日前] ,21)/BARSLAST([大单成交量]>[大单成交量 1日前])
月线MACD金叉指标：
DIF := MA(CLOSE,12)-MA(CLOSE,26);
DEA := MA(DIF,9);
MACD := 2*(DIF-DEA);
(CROSS(MACD, DEA))AND(MACD>0)
年线MA5上穿MA10指标：
CROSS(MA(CLOSE,5), MA(CLOSE,10), 240)
其中，MA表示移动平均线，CROSS表示两条线的交叉，REF表示将其整体向后或向前移动位置。
Python代码参考
import akshare as ak
import pandas as pd
def custom_indicator(data):
# 自定义圆弧形态指标
data['CIR'] = ...
# 今日控盘比例指标
data['CONTROL_R'] = talib.LWR(np.asarray(data['high']), np.asarray(data['low']), np.asarray(data['close']), np.asarray(data['vol']), timeperiod=21)
data['CONTROL_OK'] = data['CONTROL_R'] > 21
# 月线MACD指标
data['MONTH_DIF'], data['MONTH_DEA'], data['MONTH_MACD'] = talib.MACD(np.asarray(data['close']), fastperiod=12, slowperiod=26, signalperiod=9)
data['MONTH_MACD_OK'] = (np.where(data['MONTH_DIF'] > data['MONTH_DEA'], 1, -1) * data['MONTH_MACD']) > 0
# 年线MA指标
data['YEAR_MA5'] = data['close'].rolling(window=5*12).mean()
data['YEAR_MA10'] = data['close'].rolling(window=10*12).mean()
data['YEAR_MA_OK'] = (data['YEAR_MA5'] > data['YEAR_MA10']) & (data['YEAR_MA5'].shift(1) <= data['YEAR_MA10'].shift(1))
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['CONTROL_OK']), # 今日控盘指标
(data['MONTH_MACD_OK']), # 月线MACD金叉指标
(data['YEAR_MA_OK']) # 年线MA上穿指标
]
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，综合考虑了股票的短、中、长期走势、资金流动情况和基本面因素等多个因素，以提高选股效果和准确性。同时加入了较多的技术指标和定性分析，进一步提高了选股的效果和筛选能力。
## 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。
