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，并要求9点25分涨幅小于6%。选股时间为每日开盘后进行。
选股逻辑分析
将MACD指标和个股热度这两个因素结合，可以筛选出可能存在上涨趋势的热门个股，并限制涨幅，以降低买入后可能遭遇的风险。这是一种较为常见的策略。
但需要注意的是，继续添加其他因素，例如流通市值、市盈率等等，可以进一步提高选股的准确性，避免因单一因素导致的误判，同时在实践中需要将数据的准确性和波动性综合考虑。
有何风险？
- 对于单一的指标或简单标准进行选股容易出现相似股票，导致过多组合的股票列表。
- 选股策略忽视了市场的波动性，可能会遇到市场不利的情况。
- 对于数据准确性和波动性问题，需要进行综合评估。
如何优化？
- 通过更多的因素，例如流通市值、市盈率等数据进行选股。
- 完善选股判断标准。
- 预先编写回测框架，考虑到市场的波动性和不利情况，优化股票池并进一步进行筛选。
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，并限制9点25分涨幅小于6%的股票。同时，综合考虑其他因素，评估选股结果的稳定性。
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;
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。
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_minute(symbol="sh601669", period='1') # 获取股票数据，注意需要分钟数据
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['pct_chg'] < 6)]
result_sorted = result_filtered.sort_values(by='turnover_rate', ascending=False)
result_top = result_sorted.iloc[:100] # 选取前100条数据作为筛选结果
## 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。
