问财量化选股策略逻辑
本选股策略选取以下股票：振幅大于1、昨日主力控盘、周线MACD在零轴之上。该选股策略基于股票的技术面因素，以期能在短期内获得一定的收益。
选股逻辑分析
该选股策略首先筛选了振幅大于1、昨日主力控盘。然后在这些股票中再筛选周线MACD在零轴之上的股票进行选取。这些筛选条件能够过滤掉部分短期内表现不佳的股票，选出较为具有上涨潜力的股票。
有何风险？
该选股策略存在以下风险：1、过度依赖技术指标，忽略了更多的基本面因素；2、MACD等指标可能会出现滞后性，导致选到的股票涨势不如预期；3、短期内股票市场表现不一定完全符合技术面预期，具有风险。
如何优化？
可以加入更多的基本面指标和行业趋势等因素，以更全面地了解股票的市场走势和具体情况。同时也可以结合其他技术指标，如RSI、DMI等指标，对股票市场进行更全面和深入的分析。在实际操作中，需要根据市场行情和股票表现进行灵活调整，同时也要注意控制风险。
最终的选股逻辑
选取振幅大于1、昨日主力控盘、周线MACD在零轴之上的股票进行选取。
同花顺指标公式代码参考
- MACD指标公式：
EMA12 ：=EMA(C,12);
EMA26：=EMA(C,26);
MI := EMA12 - EMA26;
TMACD := EMA(MI,9);
python代码参考
import tushare as ts
import datetime
def select_stock():
stock_list = ts.get_today_all()
selected_stocks = stock_list[stock_list["volume"] > 0]
selected_stocks = selected_stocks[selected_stocks["amplitude"] >= 0.01]
selected_stocks = selected_stocks[selected_stocks["turnoverratio"] >= 5]
selected_stocks = selected_stocks[selected_stocks["per"] >= 0]
selected_stocks = selected_stocks[selected_stocks["pb"] >= 0]
selected_stocks = selected_stocks[selected_stocks["circulating_market_cap"] > selected_stocks["total_market_cap"] / 2]
selected_stocks = selected_stocks[selected_stocks["holders"] > 0]
selected_stocks = selected_stocks[selected_stocks["is_st"] == "否"]
macd_data = ts.get_hist_data(selected_stocks.iloc[0]['code'], ktype="W", retry_count=5, pause=0.01)
if macd_data is None:
return None
ema_short = macd_data["close"].ewm(span=12).mean()
ema_long = macd_data["close"].ewm(span=26).mean()
dif = ema_short - ema_long
dea = dif.ewm(span=9).mean()
macd = (dif - dea) * 2
today_date = ts.get_hist_data(selected_stocks.iloc[0]['code'], start=str(datetime.date.today()), end=str(datetime.date.today()), ktype="D", retry_count=5, pause=0.01)
today_day_macd = (today_date['close'][0] - ema_short.iloc[-1]) / (ema_short.iloc[-1] - ema_long.iloc[-1])
if today_day_macd <= 0:
return None
yesterday_tick = ts.get_tick_data(selected_stocks['code'][0], date=str(datetime.datetime.now().date() - datetime.timedelta(days=1)), src='tt')
if yesterday_tick is None:
return None
yesterday_flow = yesterday_tick[0]['amount'] - yesterday_tick[0]['pre_amount']
if yesterday_flow <= 0:
return None
morning_tick = yesterday_tick[yesterday_tick['time'] <= '11:30:00']
afternoon_tick = yesterday_tick[yesterday_tick['time'] >= '13:00:00']
morning_flow = morning_tick['amount'].sum() - morning_tick['pre_amount'].sum()
afternoon_flow = afternoon_tick['amount'].sum() - afternoon_tick['pre_amount'].sum()
if afternoon_flow <= 0 or morning_flow <= 0:
return None
yesterday_date = datetime.datetime.now() - datetime.timedelta(days=1)
yesterday_ma = ts.get_hist_data(selected_stocks.iloc[0]['code'], start=str(yesterday_date.date()), end=str(yesterday_date.date()), ktype="D", retry_count=5, pause=0.01)
ratio = today_date['volume'][0] / ts.get_tick_data(selected_stocks['code'][0], date=str(yesterday_date.date()), src='tt')[0]['volume']
hld_ratio = selected_stocks["turnoverratio"] * ratio
if yesterday_ma.iloc[0]['p_change'] > 9.8 or hld_ratio < 0.5:
return None
return selected_stocks
print(select_stock())
以上代码仅供参考，具体实现方法可以根据投资者需要和市场情况进行调整。
## 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。
