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、并且企业性质符合特定条件。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企业性质这一条件，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，同时企业质量条件可以过滤掉一些质量不佳的企业股票，减少选股风险。
有何风险？
- 企业质量条件可能过于狭窄，忽略了其他重要的基本面因素，如行业趋势、公司财务状况等。
- 如果市场环境变动较大或者需求不足，则可能导致选股效果不佳。
- 如果企业质量条件不够科学或者选股时间和市场风险不匹配则可能会产生较大的风险。
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、企业质量等因素，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 指标和价格条件以及按企业性质排序的同花顺指标公式：
MACD(C, 12, 26, 9);
CROSS(MACD, 0);
CLOSE < 12;
SORT_BY_DESCENDING(COMPANY_QUALITY); // 注意，企业性质不是标准指标，需根据实际情况修改代码
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)
company_quality_list = data_stock_price["company_quality"].tolist()
target_stocks = []
for i in range(len(data_stock_list)):
if data_stock_list["price"].iloc[i] < 12 and macd[i] > 0 and company_quality_list[i] == 1: // 注意，企业性质不是标准指标，需根据实际情况修改代码
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。
