近期SuperMind 上线了同花顺SuperMind 小助手。为了让大家更好的利用小助手，给大家一些参考

如何提高小助手回答问题的精准度？

决定回答品质的重要因素，就在于你提供的「提示词/问题」是否足够完善。即输出的质量很大程度上取决于输入的质量。
颇富观察力的小伙伴或许会发现小助手在回答问题的时候回答到一半就开始胡诌了。还有的情况，尽管是扭曲事实，他也会给你编造出来。那么如何解决呢？

提供明确的问题：

当您提供清晰、明确的问题时，小助手可以更好地理解您的意图，并给出更加精准的答案。

提供充分的上下文：

如果您在提问时提供了足够的上下文信息，小助手可以更好地理解您的问题，并给出更准确的答案。你可以提供一些网页让小助手在对话中学习。

使用正确的语言和术语：

如果您使用正确的语言和术语来表达问题，小助手可以更好地理解您的问题，并且给出更加准确的答案。

检查和验证答案：

在您收到小助手的回答后，请务必仔细检查和验证答案的正确性和准确性。如果您发现给出的答案有误，请及时纠正，并提供正确的信息。GPT会在当前对话中学习您的纠正。

提问案例①（自然语言转成python代码）：

请帮我用python写一个函数，输入：一个股票数据，是pandas的dataframe，第一列是股票代码，第二列是他的2023年估值。处理逻辑：按照2023年估值进行降序，并剔除掉带有st，3 的股票。输出股票列表。

建议给出输入的数据格式，描述越精确确定，给出的回答会越贴合我们的目的，否则他会自己构造一些数据结构或者函数，可能不是你想要的。

提问案例②（自然语言转成python代码）：

帮我用python给出价格大于近10天最高成交量的最高价的判断函数：

提问案例③（指标公式转成python代码）

帮我把以下通达信指标公式转换成python代码：GUA:=(3*C+H+L+O)/6; GUP1:=(8*GUA+7*REF(GUA,1)+6*REF(GUA,2)+5*REF(GUA,3)+4*REF(GUA,4)+3*REF(GUA,5)+2*REF(GUA,6)+REF(GUA,8))/36,LINETHICK2,COLORRED; GUP2:=(HHV(GUP1,2)+HHV(GUP1,4)+HHV(GUP1,8))/3; GUP3:=(LLV(GUP1,2)+LLV(GUP1,4)+LLV(GUP1,8))/3; GUP4:=(HHV(GUP2,2)+HHV(GUP2,4)+HHV(GUP2,8))/3; GUP5:=(LLV(GUP3,2)+LLV(GUP3,4)+LLV(GUP3,8))/3,COLORWHITE; 买点:REF(GUP5,1)=REF(GUP1,1) AND GUP5<GUP1

回答：假设你已经将股票的数据存储为一个 pandas DataFrame 对象，并将收盘价、最高价、最低价和开盘价分别存储在 'close'、'high'、'low' 和 'open' 列中。以下是将这些指标转换为 Python 代码的方式：

import pandas as pd 
import numpy as np
# 计算 GUAgua= (3 *df['close'] +df['high'] +df['low'] +df['open']) / 6

# 计算 GUP1gua_shifted=gua.shift()
gup1= (8 *gua+ 7 *gua_shifted+ 6 *gua_shifted.shift(2) +
        5 *gua_shifted.shift(3) + 4 *gua_shifted.shift(4) +
        3 *gua_shifted.shift(5) + 2 *gua_shifted.shift(6) +gua_shifted.shift(8)) / 36

# 设定 GUP1 属性
gup1_attrs= [{'name': 'LINETHICK2'}, {'name': 'COLORRED'}]

# 计算 GUP2 和 GUP3gup2= (pd.concat([gup1, gup1.shift(), gup1.shift(2)], axis=1)
           .apply(lambdax: x.max(), axis=1)
           .rolling(window=3)
           .mean())
gup3= (pd.concat([gup1, gup1.shift(), gup1.shift(2)], axis=1)
           .apply(lambdax: x.min(), axis=1)
           .rolling(window=3)
           .mean())

# 计算 GUP4 和 GUP5gup4= (pd.concat([gup2, gup2.shift(), gup2.shift(2)], axis=1)
           .apply(lambdax: x.max(), axis=1)
           .rolling(window=3)
           .mean())
gup5= (pd.concat([gup3, gup3.shift(), gup3.shift(2)], axis=1)
           .apply(lambdax: x.min(), axis=1)
           .rolling(window=3)
           .mean())
gup5_attrs= [{'name': 'COLORWHITE'}]

# 计算买点
buy_point= (gup5.shift() ==gup1.shift()) & (gup5<gup1.shift())

# 将指标添加到 DataFrame 中
df['GUP1'] =gup1forattringup1_attrs:
    df['GUP1'].attr(**attr)
df['GUP2'] =gup2df['GUP3'] =gup3df['GUP4'] =gup4df['GUP5'] =gup5forattringup5_attrs:
    df['GUP5'].attr(**attr)

df['buy_point'] =buy_point这里使用了 pandas 库的数据处理和分析功能，将移动平均线、最高值和最低值计算等操作都使用 DataFrame 和 rolling() 函数来实现，并将得到的指标存储在原始的 DataFrame 对象中。注：部分 ta 指标的自定义属性未添加（如：LINETHICK2）。

提问案例④（诊断炒股思路）

我的这个策略风险大不大？：MACD金叉

【教程】SuperMind小助手教程