问财量化选股策略逻辑
在问财中，我们可以通过以下量化策略来筛选出至少5根均线重合的股票，10日涨幅大于0小于35，机构动向大于0的股票：
- 筛选出所有A股股票。
- 对于每只股票，计算其10日涨幅和机构动向。
- 将股票按照10日涨幅从大到小排序。
- 对于每只股票，计算其5日、10日、20日、60日和120日均线的收盘价。
- 如果5日、10日、20日、60日和120日均线收盘价至少有5个重合，则认为该股票符合策略要求。
- 将符合策略要求的股票筛选出来，按照机构动向从大到小排序。
- 返回符合策略要求且机构动向大于0的股票。
选股逻辑分析
该策略的逻辑是基于技术分析和机构行为分析来筛选股票。首先，策略通过计算股票的10日涨幅来筛选出短期表现较好的股票，然后通过计算均线收盘价的重合数量来筛选出至少短期均线重合的股票。最后，策略通过计算机构动向来筛选出机构投资者较为看好的股票。
该策略的优点是能够综合考虑股票的短期和长期表现，并结合机构行为来筛选股票。同时，该策略也能够过滤掉一些短期表现较好但机构不看好的股票，从而提高筛选出的股票的质量。
然而，该策略也存在一些风险。首先，该策略对于短期市场表现的依赖较大，如果短期市场表现不佳，可能会导致筛选出的股票表现不佳。其次，该策略对于机构行为的依赖也较大，如果机构投资者的行为发生改变，可能会导致筛选出的股票表现不佳。
如何优化？
为了优化该策略，我们可以考虑以下几点：
- 选择更加合适的均线周期。不同的均线周期可能会筛选出不同的股票，因此可以根据实际情况选择更加合适的均线周期来提高策略的准确性。
- 加入更多的筛选条件。除了10日涨幅和机构动向之外，我们还可以加入其他筛选条件，例如市盈率、市净率等，以提高策略的准确性。
- 考虑加入量化交易策略。除了使用技术分析和机构行为分析之外，我们还可以考虑加入量化交易策略，例如趋势跟踪、均值回归等，以提高策略的准确性。
最终的选股逻辑
最终的选股逻辑如下：
- 筛选出所有A股股票。
- 对于每只股票，计算其10日涨幅和机构动向。
- 将股票按照10日涨幅从大到小排序。
- 对于每只股票，计算其5日、10日、20日、60日和120日均线的收盘价。
- 如果5日、10日、20日、60日和120日均线收盘价至少有5个重合，则认为该股票符合策略要求。
- 将符合策略要求的股票筛选出来，按照机构动向从大到小排序。
- 将符合策略要求且机构动向大于0的股票按照市盈率、市净率等其他筛选条件从大到小排序。
- 返回符合策略要求且机构动向大于0且市盈率、市净率等其他筛选条件满足要求的股票。
python代码参考：
import tushare as ts
# 设置token
ts.set_token('your_token')
# 初始化pro接口
pro = ts.pro_api()
# 获取所有A股股票
df = pro.realtime_quotes('000001.SZ')
# 计算10日涨幅
df['10_day_return'] = df['close'].pct_change()
# 计算机构动向
df['机构动向'] = df['net_value'].pct_change()
# 按照10日涨幅从大到小排序
df = df.sort_values(by='10_day_return', ascending=False)
# 计算均线收盘价
df['5_day_close'] = df['close'].rolling(window=5).mean()
df['10_day_close'] = df['close'].rolling(window=10).mean()
df['20_day_close'] = df['close'].rolling(window=20).mean()
df['60_day_close'] = df['close'].rolling(window=60).mean()
df['120_day_close'] = df['close'].rolling(window=120).mean()
# 筛选出至少5根均线重合的股票
df = df[df['5_day_close'].count() >= 5]
# �
## 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。
