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在零轴之上以及前日实际换手率在3% ~ 28%之间的股票作为选股标的，以筛选出有上涨潜力但又不过于热门的股票。
选股逻辑分析
本选股策略综合考虑了技术面和市场情绪两个方面的因素，以振幅大于1、周线MACD在零轴之上和前日实际换手率在3% ~ 28%之间为选股标准。其中，振幅和MACD指标反映了市场情绪和情况，并能够反映出市场中的一定方向，而实际换手率则反映了市场中的投资热度。该选股策略相对于前两个选股策略更加综合，同时也更加注重风险控制，可以更好地把握市场情况和资金流向。
有何风险？
本选股策略仍忽略了公司基本面等因素，同时只考虑了短期的技术变化和市场情绪，在股市波动明显时可能会出现认知误差和投资风险。同时，选股标准过于严格也会造成选股范围较窄、无法涵盖全部行业的问题。
如何优化？
可以考虑在选股策略中加入更多因素和补充指标，如基本面因素、资金流向、行业趋势等。同时，可以适当放宽选股标准，增加前日实际换手率的上限，并通过加强风险控制和交易策略优化等方面工作来降低投资风险。
最终的选股逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上以及前日实际换手率在3% ~ 28%之间的股票作为选股标的，可以在此基础上加入更多因素和补充指标进行进一步的筛选。同时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。
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)
前日实际换手率在3% ~ 28%之间：
(TURNOVER >= 3 AND TURNOVER <= 28) AND (C / REF(C, 2) - 1) * 100 >= 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
daily_data = pro.daily(ts_code=ts_code, start_date='20220101', end_date='20220630')
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220101', end_date='20220630')
if (daily_data.high - daily_data.low).mean() / daily_data.close.mean() > 0.01 and weekly_data.iloc[-1]['close'] > weekly_data.iloc[-1]['ma30'] and talib.CROSSOVER(talib.MA(daily_data.close, timeperiod=250), daily_data.close)[-2] and 3 <= daily_data.iloc[-2]['turnover_rate'] <= 28:
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、基本面和市场情绪的基础上，综合考虑投资标的的基本面、市场情绪等各种因素，形成更加完整的选股体系。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。
