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，前日实际换手率在3%~28%之间。选股时间为每个交易日收盘后。
选股逻辑分析
MACD指标可以反映短期市场趋势，而个股热度可以反映市场关注度，前日实际换手率在3%~28%之间可以过滤掉过于高或过于低的个股，从而筛选出一些短期趋势良好，受市场关注度较高的标的。
有何风险？
- 忽略了公司基本面等因素的影响，选择的标的存在一定程度的风险；
- 选股方法简单，可能出现选股集中导致结果过于集中；
- 忽略了市场的整体走势及宏观经济等因素，不能代表真实的市场状况；
- MACD指标存在滞后性，并不能完全反映市场状况；
- 热度和换手率两个指标均存在噪音，可能会影响选股效果。
如何优化？
- 加入更多的基本面和技术面指标进行筛选，提高选股的多样性和准确性；
- 在选股时考虑多种指标的交叉验证，优化选股逻辑；
- 根据市场整体走势等宏观因素进一步筛选标的；
- 对换手率和热度指标进行更严格的筛选，排除噪音信号。
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，前日实际换手率在3%~28%之间，并加入其它相关技术指标因素。选股时间为每个交易日收盘后。
同花顺指标公式代码参考
MACD指标：
DIF: EMA(CLOSE, 12) - EMA(CLOSE, 26);
DEA: EMA(DIF, 9);
MACD: (DIF - DEA) * 2;
其中CLOSE为收盘价，EMA为指数平均数。
换手率公式：
ACTUAL_TURNOVER: VOL / CAPITAL * 100;
其中VOL为成交量，CAPITAL为当日流通市值。
Python代码参考
以下为python的选股筛选代码、排序代码，仅供参考：
import akshare as ak
import talib as ta
# 获取股票数据并计算筛选结果
data_stock = ak.stock_zh_a_daily_tx(symbol="", trade_date="")
data_stock_m = data_stock.copy()
data_stock_m['DIF'] = ta.EMA(data_stock_m['close'], timeperiod=12) - ta.EMA(data_stock_m['close'], timeperiod=26)
data_stock_m['DEA'] = ta.EMA(data_stock_m['DIF'], timeperiod=9)
data_stock_m['MACD'] = (data_stock_m['DIF'] - data_stock_m['DEA']) * 2
data_stock_m['CAPITAL'] = data_stock_m['tot_mkt_cap'] - data_stock_m['float_mkt_cap']
data_stock_m['ACTUAL_TURNOVER'] = data_stock_m['vol'] / data_stock_m['CAPITAL'] * 100
condition = (data_stock_m['MACD'] > 0) & (data_stock_m['hot'] > 0) & (data_stock_m['hot'] < 10) & (data_stock_m['ACTUAL_TURNOVER'] > 3) & (data_stock_m['ACTUAL_TURNOVER'] < 28)
data_stock_filtered = data_stock_m[condition]
result_sorted = data_stock_filtered.sort_values(by=['hot'], ascending=False).head(5)
## 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。
