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在零轴之上以及昨日9:15匹配价跌停的股票，以筛选出昨日有价格波动且今日有可能反弹的股票。
选股逻辑分析
本选股策略主要考虑了股票的波动性和市场情绪。振幅和MACD指标反映了市场情绪和方向，昨日9:15匹配价跌停则反映了股票存在价格波动的情况。该选股策略可以反映出市场对于昨日的价格波动的反应，有一定的可操作性和实用性。
有何风险？
本选股策略同样忽略了公司的基本面等其他因素，同时只从技术面进行筛选，可能存在一定的投资风险和认知误差。同时，选择昨日9:15匹配价跌停的股票，并不能代表股票走势的长期稳定性和风险性，存在选股结果不稳定和风险较大的情况。另外，昨日9:15匹配价跌停并不一定代表今日必定反弹，存在此策略的不确定性。
如何优化？
可以在继续考虑技术面因素的基础上，进一步加入基本面和市场情绪因素等多方面因素进行综合筛选。如加入公司财务指标、行业趋势、资金流向、市场情绪等各种因素来补充、优化选股策略。同时，需要通过统计分析和历史回测等手段，验证选股策略的有效性和准确性，以降低投资风险。
最终的选股逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上以及昨日9:15匹配价跌停的股票，可以在此基础上继续加入更多因素进行综合筛选，比如市场情绪、基本面等因素。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。同时，建议通过搭建量化选股模型或人工智能模型等技术手段，提高选股效率和准确性。
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)
昨日9:15匹配价跌停：
LAST == MAX(LOW, PRE_CLOSE * 0.9)
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='20220901', end_date='20220910')
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220101', end_date='20220630')
last_data = pro.query("daily", ts_code=str(ts_code), start_date="20220909", end_date="20220909")
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 last_data.iloc[0]['last'] == max(last_data.iloc[0]['low'], last_data.iloc[0]['pre_close'] * 0.9):
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
同样使用Tushare库获取股票数据，按照选股条件筛选。在本选股逻辑中加入了突破涨停的股票筛选条件。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。
