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、今日最大跌幅小于-4且大于-5的股票。
选股逻辑分析
本选股策略同样基于技术面选股策略，通过振幅、MACD等指标进行筛选，同时加入了今日最大跌幅的条件，可以理解为该股票近期有一定的下跌压力，但尚未形成大幅调整，可能具有较好的弹性和机会。
有何风险？
本选股策略将今日最大跌幅作为选股条件，可能会存在认知误差和风险，股票的最大跌幅与其长期趋势和基本面等重要因素存在很大关联和差异，需要注意风险控制和投资策略的相互补充和协调。同时，技术面指标也有其局限性，需要结合其他因素进行分析和把握。
如何优化？
可以在技术面指标基础上，加入更多因素和补充指标，如成交量、涨跌幅、市值等其他重要因素，通过综合分析和长期回测等手段，验证选股策略的可靠性和准确性，以降低投资风险。同时需要结合企业基本面等因素，建立全面和多元化的选股模型，确保投资决策的稳健和有效。
最终的选股逻辑
综合考虑，本选股策略选取股票振幅大于1、周线MACD在零轴之上、今日最大跌幅小于-4且大于-5的股票。在加入更多因素和补充指标的同时，需要集中风险管理和投资心态前置，确保长期投资收益的稳定性和可持续性。
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)
今日最大跌幅小于-4且大于-5：
(LOWEST(LOW,0)-REF(CLOSE,1)) / REF(CLOSE,1) < -0.04 AND (LOWEST(LOW,0)-REF(CLOSE,1)) / REF(CLOSE,1) > -0.05
python代码参考：
# 引入Tushare库
import tushare as ts
# 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='20220701', end_date='20220731')
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220701', end_date='20220731')
if (weekly_data.high - weekly_data.low).mean() / weekly_data.close.mean() > 0.01 and weekly_data.iloc[-1]['close'] > weekly_data.iloc[-1]['ma30'] and (daily_data.low - daily_data.pre_close).min() / daily_data.pre_close < -0.04 and (daily_data.low - daily_data.pre_close).max() / daily_data.pre_close > -0.05:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
在选股逻辑中加入了今日最大跌幅的条件，使用Tushare库获取股票数据，按照选股条件筛选。在优化本选股策略时，建议加入更多因素和补充指标，形成更加完整和准确的选股体系。需要通过加强风险控制、优化交易策略等手段降低投资风险。
## 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。
