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、按个股热度从大到小排序名的股票。
选股逻辑分析
本选股策略除了考虑技术面指标和振幅外，还考虑了个股的热度，并按热度从大到小排序，可以筛选出当前市场受关注程度较高的优质股票，降低投资风险。
有何风险？
个股热度本身是一个相对的概念，可能存在一定的主观性和时效性，且不同投资者的关注点和习惯也各不相同。同时，若是选股的同时按热度排序，可能存在一定的后视性，筛选出来的股票并不能保证未来的表现。
如何优化？
可以通过引入更多的基本面指标和市场情绪指标等，结合选股策略进行综合评估，并适当调整排序方式和排序指标，以更准确地识别优质投资标的。另外，还可以引入机器学习、人工智能等技术手段对选股策略进行优化，提升选股的准确性和实时性。
最终的选股逻辑
本选股策略选取股票振幅大于1、周线MACD在零轴之上、按个股热度从大到小排序名，通过综合考虑技术面和基本面指标以及市场情绪等因素，筛选出当前市场受关注程度较高且具有投资价值的优质股票。
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)
按个股热度从大到小排序名：暂无同花顺指标公式
python代码参考：
# 引入Tushare库
import tushare as ts
# 连接Tushare库
pro = ts.pro_api()
# 查询个股热度数据并按照降序排序
heat_data = pro.stock_basic(fields='ts_code, name, pe, pb, ps, pcf, total_share, float_share, free_share')
heat_data['heat'] = heat_data['total_share'] / heat_data['float_share'] / heat_data['free_share'] # 计算个股热度
heat_data = heat_data.sort_values('heat', ascending=False)
# 根据选股条件筛选股票
selected_stocks = []
for ts_code in heat_data["ts_code"]:
# 获取股票数据
daily_data = pro.daily(ts_code=ts_code, start_date='20000101', end_date='20220731')
if (daily_data.high - daily_data.low).mean() / daily_data.close.mean() > 0.01 and REF(MACD(12,26,9),1) > REF(MACDSIGNAL(12,26,9),1):
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
在选股逻辑中加入了按个股热度从大到小排序名的条件，并使用Tushare库获取股票数据。优化时需要注意个股热度的可靠性和时效性，结合多方面数据和指标进行选股。
## 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。
