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、市值规模在 2 亿以上的股票。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值规模的条件，更注重了股票的规模因素。综合考虑了技术面、市场情绪因素和公司规模因素。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，同时市值规模条件可以过滤掉一些低规模的企业股票，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。
- 仅依靠市值规模可能无法全面、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、市值规模等因素，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、价格条件和市值规模条件的同花顺指标公式：
MACD(C, 12, 26, 9);
CROSS(MACD, 0);
CLOSE < 12;
MCAP > 200000000;
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()
market_cap = data_stock_price["market_cap"].tolist()
short, long, m = 12, 26, 9
dif, dea, macd = talib.MACD(np.array(close_price), fastperiod=short, slowperiod=long, signalperiod=m)
target_stocks = []
for i in range(len(data_stock_price)):
if data_stock_list["price"].iloc[i] < 12 and macd[i] > 0 and market_cap[i] > 200000000:
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。
