问财量化选股策略逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上和营收增长率大于10%作为选股标准，以查找营收稳健增长的股票。选出的个股视为投资标的。
选股逻辑分析
本选股策略基于技术面和基本面进行筛选，选取了振幅大于1、周线MACD在零轴之上、营收增长率大于10%作为主要的选股条件。振幅大于1意味着股票有较大的波动性，同时周线MACD在零轴之上预示着股票有一定的上涨势头，营收增长率大于10%则代表这些股票有较好的财务表现和投资价值。
有何风险？
本选股策略依赖于财务数据，选股结果可能受到企业报表真实性、可比性等方面的影响，存在选股偏差的风险。同时，选股条件可能过于严格，无法筛选到具备良好增长潜力但尚未突破的股票，影响策略的实施效果。
如何优化？
建议在选股条件中加入更多的因素，如行业趋势、资金流动性等因素，以更全面地评估股票的价值。同时，对于选股条件可能过于严格的情况下，可以考虑适当地降低筛选要求。在实际操作时，还要综合考虑市场环境、政策和行情等因素，对选股逻辑进行综合考虑，以提高策略的实施效果。
最终的选股逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上和营收增长率大于10%作为主要的选股条件，找到具备良好的技术面和财务表现的个股。在选出股票之后，建议结合行业趋势、资金流动性等方面进行进一步评估，如有需要再进行其他指标的筛选。
同花顺指标公式代码参考：
振幅大于1：
(HIGH - LOW) / PRE_CLOSE > 0.01
周线MACD在零轴之上：
(REF(MACD(12, 26, 9), 1) > REF(MACDSIGNAL(12, 26, 9), 1)) AND (MACD(12, 26, 9) > 0)
营收增长率大于10%：
(TTM(CR, "20191231") / TTM(CR, "20181231") > 1.1)
python代码参考：
# 引入Tushare库和TA-Lib库
import tushare as ts
import talib
# 连接Tushare库
pro = ts.pro_api()
# 查询所有股票的数据
all_data = pro.stock_basic()
# 根据选股条件进行筛选
selected_stocks = []
for ts_code in all_data["ts_code"]:
# 获取股票数据
daily_data = pro.daily(ts_code=ts_code, start_date='20220301', end_date='20220331')
if ts_code.startswith(('00', '30')) and \
(daily_data.high - daily_data.low).mean() / daily_data.close.mean() > 0.01:
macd, macd_signal, macd_hist = talib.MACD(daily_data.close, fastperiod=12, slowperiod=26, signalperiod=9)
cr = pro.query('fina_indicator', ts_code=ts_code, start_date='20180101', end_date='20211231')['revenue']
if (macd[-1] > 0 and macd[-2] < 0) and (cr.iloc[-1] / cr.iloc[-3] > 1.1):
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
本选股策略使用Tushare库获取股票数据并进行筛选，使用TA-Lib库的函数进行选股筛选条件的计算。在选股策略的后续优化中，建议加入更多因素和补充指标，在技术面和基本面的基础上充分考虑市场环境、运作进程和预期变化等因素，形成完整的选股体系。
## 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。
