问财量化选股策略逻辑
选股逻辑为MACD零轴以上，按个股热度从大到小排序名，同时要求换手率在2%到9%之间，选股时间为每日收盘后进行。
选股逻辑分析
MACD指标可以反映市场趋势，个股热度可以反映市场关注度，同时对换手率进行限制则可以筛选掉过度炒作或者不活跃的股票。综合考虑三个因素可以提高选股的准确性。但是需要注意的是，个股热度、换手率等指标的数据准确性和波动性存在一定风险，需要在实践应用时综合考虑。
有何风险？
- 选股标准过于简单，可能忽略了其他的重要因素。
- 个股热度和换手率等指标存在一定的数据准确性和波动性，选股结果的稳定性存在一定风险。
- 对换手率的限制可能会过多剔除掉机会，造成损失。
如何优化？
- 进一步分析个股热度、换手率等指标的数据准确性和波动性，综合分析选股结果的稳定性。
- 在选股标准中增加其他重要因素的考虑，以提高选股准确性和稳定性。
- 对选股结果进行优化过滤和排序方式，提高选股效果。
最终的选股逻辑
选股逻辑为MACD零轴以上，按个股热度从大到小排序名，同时限制换手率在2%-9%之间，选股时间为每日收盘后进行，同时结合其他分析方法，对公司基本面进行综合分析。
同花顺指标公式代码参考
选股所需通达信指标公式如下：
MACD: (EMA(CLOSE, 12) - EMA(CLOSE, 26));
PRICE: CLOSE;
VOL: VOL;
其中CLOSE为当日收盘价，EMA为指数移动平均数，MACD为MACD线，PRICE为当日收盘价，VOL为当日成交量。
Python代码参考
以下为python的选股筛选代码，仅供参考：
import akshare as ak
import pandas as pd
data_stock_price = ak.stock_zh_a_daily(symbol="sh601669")
macd = pd.Series(data_stock_price['close']).ewm(12).mean() - pd.Series(data_stock_price['close']).ewm(26).mean()
result_filtered = data_stock_price[(macd > 0) & (data_stock_price['turnover_rate'] > 0.02) & (data_stock_price['turnover_rate'] < 0.09)]
result_sorted = result_filtered.sort_values(by='turnover_rate', ascending=False)
result_top = result_sorted.iloc[:100]
## 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。
