问财量化选股策略逻辑
选股逻辑为：元宇宙行业、量比大于1.5、量比小于6，前天MACD小于0的股票。
选股逻辑分析
该选股策略在原有基础上新增了前天MACD小于0的条件，更加注重市场趋势的判断，并进一步筛选出潜力较大的个股。但是该逻辑缺少基本面等因素的考虑，仍然存在选股偏颇的风险。
有何风险？
该选股逻辑风险同样来自于忽略了股票的基本面和价值等因素，尤其是没有考虑行业景气度的影响，选股偏颇的概率较大。此外，仅仅关注 MACD 指标的单一信号也带来了额外的风险，需要注意指标的有效性和适用性。
如何优化？
可以加入基本面和价值等因素，形成多维度的选股策略，综合考虑股票的短期和长期表现，提高选股的准确性和可操作性。此外，可以引入主力资金的跟踪情况，综合考虑股票的基本面和市场情绪等指标，构建更加完善的选股模型。
最终的选股逻辑
选股逻辑为：元宇宙行业、量比大于1.5、量比小于6，前天MACD小于0的股票。
同花顺指标公式代码参考
通达信代码：
SELECT STOCK_CODE FROM XXX WHERE HY = 'C010103' AND VOLUME_RATIO > 1.5 AND VOLUME_RATIO < 6 AND REF(MACD(), 1) < 0;
python代码参考
import tushare as ts
import datetime
def get_last_month():
today = datetime.date.today()
last_month = today - datetime.timedelta(days=30)
return last_month.strftime("%Y-%m-%d")
def get_stock_data():
gg_stocks = ts.get_zz500s()
gg_stocks = gg_stocks[gg_stocks['industry'] == '元宇宙']
df = ts.get_today_all()
df = df[df['code'].isin(gg_stocks['code'])]
# 筛选量比符合条件的股票
df = df[df['volume_ratio'] > 1.5 & df['volume_ratio'] < 6]
# 筛选昨日MACD小于0的股票
last_two_day = datetime.datetime.now() - datetime.timedelta(days=2)
macd_df = ts.get_k_data(df['code'], start=last_two_day.strftime('%Y-%m-%d'), end=last_two_day.strftime('%Y-%m-%d'), ktype='D')
macd_df = macd_df[macd_df['close'] < macd_df['ma26']]
res = df[df['code'].isin(macd_df['code'])][['name', 'code', 'industry', 'total_mv', 'pb', 'pe']]
res = res.rename(columns={'total_mv': '总市值', 'pb': '市净率', 'pe': '市盈率'})
return res
print(get_stock_data())
## 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。
