问财量化选股策略逻辑
选取MACD值在零轴以上、企业性质和K值小于20的个股作为投资标的。该策略主要选取具有良好的技术走势和基本面，并通过K值小于20来寻找股价下跌的可能性，以期获得更大的收益。
选股逻辑分析
选股逻辑包括MACD值在零轴以上、企业性质和K值小于20。MACD值在零轴以上反映了股票价格大概率向上上涨趋势，企业性质则选注重稳健发展的企业基本面。而K值小于20则代表当前股价处于超卖状态，有可能会有反弹的机会。通过以上逻辑，选取具有强劲走势潜力的股票，以期获得更大的收益。
有何风险？
由于该策略只将目光限定于MACD值在零轴以上、企业性质和K值小于20，可能会错过其他行业的优异表现和其他技术面表现出的机会。同时，K值小于20并不是绝对的买入点，有可能会出现持续下跌的情况。市场风险依然存在。
如何优化？
可以将选股逻辑增加其他技术面指标或基本面指标，如MACD值的变化率和市盈率、市净率、ROE等基本面指标。同时，要根据具体情况调整K值小于20的阈值，找到最适合的买入点。
最终的选股逻辑
选取MACD值在零轴以上、企业性质和K值小于20的个股作为投资标的，可以适当加入其他技术面和基本面指标来进行更准确的选股决策。同时要根据市场情况对逻辑进行动态调整。
同花顺指标公式代码参考
RETURN(MACD>0 AND INSTR(CONCEPT, '新能源汽车') AND K<20)
其中，MACD代表移动平均线指标，CONCEPT代表概念板块，K代表随机指标，RETURN返回真假值。
Python代码参考
import jqdatasdk as jq
import talib
import pandas as pd
jq.auth("账户名", "密码")
q = jq.query(jq.finance.STK_INCOME_STATEMENT.year_2021_net_profit, jq.finance.STK_INCOME_STATEMENT.total_profit).filter(jq.finance.STK_INCOME_STATEMENT.pub_date == '昨日', jq.finance.STK_INCOME_STATEMENT.code != None)
df_income_statement = jq.get_fundamentals(q, count=1)
q = jq.query(jq.finance.STK_CAPITAL_AMOUNT.total_capital).filter(jq.finance.STK_CAPITAL_AMOUNT.pub_date == '昨日', jq.finance.STK_CAPITAL_AMOUNT.code != None)
df_capital_amount = jq.get_fundamentals(q, count=1)
q = jq.query(jq.finance.STK_LIST_INFO).filter(jq.finance.STK_LIST_INFO.code != None)
df_list_info = jq.get_fundamentals(q, count=500)
q = jq.query(jq.valuation).filter(jq.valuation.code != None)
df_valuation = jq.get_fundamentals(q, count=500)
df_adjust_price = jq.get_price(df_valuation.index.tolist(), count=60, end_date='today', frequency='daily', fields=['open', 'close', 'high', 'low'], skip_paused=True)
df_macd, _, _ = talib.MACD(df_adjust_price['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
df_stochastic_k, df_stochastic_d = talib.STOCH(df_adjust_price['high'].values, df_adjust_price['low'].values, df_adjust_price['close'].values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
df_result = pd.DataFrame()
for code in df_valuation.index:
stock_name = jq.get_security_info(code).display_name
df_temp = jq.get_finance_indicator(code, end_date='2021-12-31', count=1)
df_temp['code'] = code
df_temp['name'] = stock_name
df_temp['k'] = df_stochastic_k[code][-1]
df_result = df_result.append(df_temp)
df_result = df_result[(df_macd > 0) & df_result['k'] < 20]
df_result = df_result.sort_values(by='market_cap', ascending=False)
df_final = df_result[['code', 'name']].set_index('code')
print(df_final)
## 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。
