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，以及 20 日均线大于 120 日均线的股票。选股时间为每个交易日开盘前 10 点进行。
选股逻辑分析
该选股逻辑结合了技术面和基本面因素，相较于之前增加了均线条件的考虑。选股结果可以反映出强劲的上涨动能、相对较低的估值和保持上涨趋势的特点。同时，该策略选出的股票涉及多种行业和板块，具有较好的分散化特点，可以降低投资风险。
有何风险？
- 均线条件可能会使得一些强势股票被忽略，导致前景不明的股票被选中。
- 当前市场环境变化不确定，可能导致一些股票的基本面因素发生变化，影响选股结果。
如何优化？
- 可以结合其他技术指标和基本面因素，进行更全面、科学、合理的选股决策。
- 需要根据实际情况设立科学、合理的止盈止损点来控制风险。
- 可以使用大数据分析、机器学习等方法对选股策略进行优化和改进。
最终的选股逻辑
综合考虑技术指标、价格和均线等因素，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、20 日均线和 120 日均线条件的同花顺指标公式：
MACD(C,12,26,9);
CROSSL(MACD,0)=1;
MA(CLOSE,20)>MA(CLOSE,120);
CLOSE<12;
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
close_price = data_stock_price["close"].tolist()
short, long, m = 12, 26, 9
dif, dea, macd = talib.MACD(np.array(close_price), fastperiod=short, slowperiod=long, signalperiod=m)
ma20 = talib.MA(np.array(close_price), timeperiod=20)
ma120 = talib.MA(np.array(close_price), timeperiod=120)
target_stocks = []
for i in range(len(data_stock_price)):
if data_stock_price["price"].iloc[i] < 12 and macd[i] > 0 and ma20[i] > ma120[i]:
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)
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。同时，最后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。
