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、昨日换手率与今日竞价成交量的比值在0.5到2之间的股票。
选股逻辑分析
本选股策略同样基于技术面选股策略，加入了昨日换手率与今日竞价成交量的比值在0.5到2之间的条件，这个条件反映了股票的成交量波动情况，可以综合判断股票市场热度和流动性。通过振幅、MACD等技术指标进行筛选，可以初步判断股票处于上涨趋势中，加入成交量因素可以进一步筛选出具体的牛股。
有何风险？
本选股策略同样基于技术面选股，存在较大的风险和局限。一方面，指标的选择和权重可能不同，导致选出的股票具有较大的差异和波动性；另一方面，技术面指标难以完全反映出公司基本面、行业景气等因素的影响，需要结合其他因素进行分析和决策。
如何优化？
可以在技术面指标的基础上，加入更多因素和补充指标。例如，结合市场风险偏好、成交量、涨跌幅、市值等因素进行综合分析和评估；以及通过长期回测等手段验证选股策略的可靠性和效益，从多个角度建立一个更全面的选股模型。
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、昨日换手率与今日竞价成交量的比值在0.5到2之间的股票，通过技术面指标和成交量因素进行综合筛选，以确保投资决策的准确性和收益率的稳定性。
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)
昨日换手率与今日竞价成交量的比值在0.5到2之间：
(VOL / REF(VOL, 1)) * (REF(OPEN, 0) / REF(CLOSE, 1)) >= 0.5 AND (VOL / REF(VOL, 1)) * (REF(OPEN, 0) / REF(CLOSE, 1)) <= 2
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
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220701', end_date='20220731')
daily_data = pro.daily(ts_code=ts_code, start_date='20220708', end_date='20220708')
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.vol / daily_data.vol.shift(1)) * (daily_data.open / daily_data.close.shift(1)) >= 0.5 and (daily_data.vol / daily_data.vol.shift(1)) * (daily_data.open / daily_data.close.shift(1)) <= 2:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
在选股逻辑中加入了成交量因素，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。
