问财量化选股策略逻辑
选股逻辑为 MACD 技术指标零轴以上、价格小于 12 元、深证主板中市盈率在 0-29.01 之间，市净率在 0-3.11 之间的股票。选股时间为每个交易日开盘前 10 点进行。
选股逻辑分析
该选股逻辑相较于之前增加了市盈率和市净率的条件，更注重了股票的基本面因素。综合考虑了技术面、市场情绪因素和企业质量因素。通过 MACD 零轴以上和价格小于 12 元，选出的股票可以反映出强劲的上涨动能和相对较低的估值，同时主板中市盈率和市净率条件可以过滤掉一些质量不均衡的企业股票，减少选股风险。该策略选出的股票具有较高的投资价值和较低的投资风险。
有何风险？
- 当前市场环境变化不确定，可能导致一些股票的基本面因素发生变化，影响选股结果。
- 只依靠市盈率和市净率可能无法全面、准确地衡量股票的投资价值，需要结合其他因素进行综合分析。
如何优化？
- 可以结合其他基本面因素和市场情况，进行更全面、科学、合理的选股决策。
- 需要根据实际情况设立科学、合理的止盈止损点来控制风险。
- 可以使用大数据分析、机器学习等方法对选股策略进行优化和改进。
最终的选股逻辑
综合考虑技术指标、价格、市盈率、市净率等因素，筛选出符合条件的股票，并结合其他基本面分析和市场情况进行综合考虑选股结果。
同花顺指标公式代码参考
以下是 MACD 指标、价格条件和市盈率、市净率条件的同花顺指标公式：
MACD(C, 12, 26, 9);
CROSS(MACD, 0);
CLOSE < 12;
SZZB_PE_TTM >=0 AND SZZB_PE_TTM <= 29.01;
SZZB_PB_MRQ >=0 AND SZZB_PB_MRQ <= 3.11;
Python代码参考
以下是 Python 的选股筛选代码，仅供参考：
import akshare as ak
data_stock_price = ak.stock_zh_a_minute(symbol="sh601988", period="d") # 获取股票 K 线数据，可根据实际需求调整
close_price = data_stock_price["close"].tolist()
short, long, m = 12, 26, 9
dif, dea, macd = talib.MACD(np.array(close_price), fastperiod=short, slowperiod=long, signalperiod=m)
pe_ttm_list = data_stock_list["pe_ttm"].tolist()
pb_mrq_list = data_stock_list["pb_mrq"].tolist()
target_stocks = []
for i in range(len(data_stock_list)):
if data_stock_list["price"].iloc[i] < 12 and macd[i] > 0 and 0 <= pe_ttm_list[i] <= 29.01 and 0 <= pb_mrq_list[i] <= 3.11:
target_stocks.append([data_stock_list.index[i], data_stock_list["name"].iloc[i]])
target_stocks = sorted(target_stocks, key=lambda x: hot_rank_list.index(x[0]), reverse=True)
注意，由于数据在运行时需要更新，因此具体代码需要实际情况调整。同时需要根据实际情况查询对应的 AKShare 数据接口。同时，最后还需要根据自己需求，调整选股结果输出方式。
## 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。
