问财量化选股策略逻辑
本选股策略选择振幅大于1、昨日成交额大于6千万、MACD零轴以上的股票为基本条件。
选股逻辑分析
本选股策略在技术面上考虑了股票振幅和MACD指标，同时结合了昨日成交额的信息。振幅可以评估股票的波动程度，MACD指标可以反映市场趋势，昨日成交额则是对市场活跃程度的衡量。综合这些指标，可以在技术面和市场面上对股票进行综合评估。
有何风险？
本选股策略存在选择出表现不好的股票的风险。同时，MACD指标容易出现滞后的情况，在市场快速变化的情况下可能会出现误判。另外，昨日成交额并不意味着未来一定涨幅大，还需要结合其他指标进行综合分析。
如何优化？
可以考虑引入更多的技术指标进行综合判断，如RSI等。同时需要根据市场运行情况进行适时调整，避免过于死板。此外，可以通过深入研究并结合基本面和市场情况进行综合评估，以便更好地判断股票未来的走势。
最终的选股逻辑
本选股策略的最终逻辑为：振幅大于1、昨日成交额大于6千万、MACD零轴以上的股票。
同花顺指标公式代码参考
无
python代码参考
import pandas as pd
import tushare as ts
# 读取股票数据
df = pd.read_csv('stock_data.csv')
# 筛选条件1：振幅大于1
df['AMPLITUTE'] = df.apply(lambda row: max(row['HIGH'] - row['LOW'], abs(row['HIGH'] - row['PREV_CLOSE']), abs(row['LOW'] - row['PREV_CLOSE'])), axis=1)
df = df[df['AMPLITUTE'] > 1]
# 筛选条件2：昨日成交额大于6千万
df['LAST_VOL'] = df.groupby('CODE')['VOL'].shift(1) # 加入昨日成交额
df = df[df['LAST_VOL'] > 60000000]
# 筛选条件3：MACD零轴以上
stock_list = []
for code in df['CODE']:
macd = ts.get_k_data(code, start='2019-01-01')[['date', 'close']]
macd['EMA12'] = macd['close'].ewm(span=12).mean()
macd['EMA26'] = macd['close'].ewm(span=26).mean()
macd['DIF'] = macd['EMA12'] - macd['EMA26']
macd['DEA'] = macd['DIF'].ewm(span=9).mean()
macd['MACD'] = 2 * (macd['DIF'] - macd['DEA'])
if macd.iloc[-1]['MACD'] >= 0:
stock_list.append(code)
df = df[df['CODE'].isin(stock_list)]
# 输出选股数据
print(df)
## 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。
