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、未清偿可转债简称不为空，并且当日成交量大于 1 万手。选股时间为每个交易日开盘前 10 点进行。
选股逻辑分析
该选股逻辑在传统 MACD 选股基础上加入了可转债方面的选股依据，同时也考虑了成交量因素，筛选出了当日表现较好的、可转债未清偿的股票。由于加入了可转债因素，选取的股票将更加具备安全性和可投资性。
有何风险？
- 选股结果可能会受到可转债市场行情的影响。
- 可转债简称是否为空可能导致选股结果数量不足。
如何优化？
- 加入其他可供选择的债券指标进行筛选，例如当前溢价率等。
- 考虑加入基本面、市场情况等因素进行进一步筛选和判断。
- 增加止盈止损和调整策略的频率，降低风险。
最终的选股逻辑
结合 MACD 技术指标、价格、可转债因素和成交量等多重因素，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、成交量条件、未清偿可转债简称不为空条件的同花顺指标公式：
MACD(C,12,26,9);
CROSS(MACD,0)=1;
CLOSE<12;
VOL>10000;
BHSGZGQCJCCH!="";
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
data_convertible_bond = ak.stock_zh_a_np_em(symbol="sh600029") # 获取可转债数据，可根据实际需求调整
close_price = data_stock_price["close"].tolist()
volume = data_stock_price["volume"].tolist()
bond_short_name = data_convertible_bond["convert_bond_short_name"].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(2, len(data_stock_price)):
if data_stock_price["price"].iloc[i] < 12 and volume[i] > 10000 and bond_short_name[i] != "" and macd[i] > 0:
target_stocks.append([data_stock_price.index[i], data_stock_price["name"].iloc[i]])
target_stocks = sorted(target_stocks, key=lambda x: hot_rank_list.index(x[0]), reverse=True)
同样需要注意，由于数据在运行时需要更新，因此具体代码需要根据实际情况调整。同时需要根据实际情况查询对应的 AKShare 数据接口。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。
