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DEA上涨作为选股标准，以查找股票的上涨趋势、信号强度以及技术面形态。选出的个股视为投资标的。
选股逻辑分析
本选股策略主要基于技术面进行筛选，选取了振幅大于1、周线MACD在零轴之上、DEA上涨三个主要条件作为选股标准。相比于包括营收增长等基本面的选股方法，该选股策略更加注重技术指标的应用。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，DEA上涨则代表MACD线的正趋势较强。选股条件综合应用可以筛选出技术面形态良好且未来具备上涨潜力的个股。
有何风险？
本选股策略基于技术指标进行筛选，可能出现指标滞后、市场变化快等因素导致策略执行效果下降的风险。同时，选股条件没有考虑财务表现等基本面因素，缺乏综合考虑。
如何优化？
建议在选股条件中加入其他指标，如成交量、均线等，以更全面地反映股票价格的动量和趋势。建议同时考虑基本面和技术面，综合考虑各种因素，包括市场环境、政策、行业前景等，以提高选股策略的精度和有效性。
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、DEA上涨作为主要的选股条件，找到具备强趋势和上涨势头的股票。在选出股票之后，建议结合其他指标进行综合分析，如成交量均线等指标，同时考虑基本面因素，对股票进行全方位的评估。
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)
DEA上涨：
(REF(DEA(12, 26, 9), 1) < DEA(12, 26, 9)) AND (DEA(12, 26, 9) > 0)
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
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220301', end_date='20220331')
if ts_code.startswith(('00', '30')) and \
(weekly_data.high - weekly_data.low).mean() / weekly_data.close.mean() > 0.01:
macd, macd_signal, macd_hist = talib.MACD(weekly_data.close, fastperiod=12, slowperiod=26, signalperiod=9)
if (macd[-1] > 0 and macd[-2] < 0) and (macd_signal[-1] > macd_signal[-2]) and (macd_signal[-2] > 0):
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。
