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，同时选择买一量大于卖一量的标的。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，而个股的热度实际上反映的是市场对某个标的的关注程度。通过按照买一量占总量的比例进行筛选，可以选择出市场购买意愿更为强烈的标的，具有较高的上涨潜力。同时，结合MACD指标和个股热度的双重筛选，可以有效降低选错标的的风险。
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；
- 忽略了日内市场波动和其他市场情绪等因素的影响，筛选结果可能存在误差；
- 买一量占比作为筛选因素与实际投资决策之间可能存在不确定性，需要注意潜在风险。
如何优化？
- 引入更多筛选因素，如公司财务信息等，提高筛选的多样化和全面性；
- 对买一量占比的判断标准进行进一步优化，如引入流动性等指标，减少筛选过程中的误差；
- 利用机器学习等技术对选股因素进行分析和优化，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，同时选择买一量大于卖一量的标的。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;
选股筛选公式：
B1_V / (B1_V + S1_V) > 0.5
排序公式：
按照个股热度从大到小排序。
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['DEA_DIFF'] = data_stock_m['DEA'] - data_stock_m['DEA'].shift(1)
condition = (data_stock_m['DEA_DIFF'] > 0) & (data_stock_m['DIF'] > 0) & (data_stock_m['B1_V'] / (data_stock_m['B1_V'] + data_stock_m['S1_V']) > 0.5)
data_stock_filtered = data_stock_m[condition]
# 排序
result_sorted = data_stock_filtered.sort_values(by=['hot', 'DEA_DIFF'], ascending=[False, 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。
