问财量化选股策略逻辑
选取MACD值在零轴以上、企业性质、机器人概念且流通市值小于100亿的个股作为投资标的。该策略主要选取具有良好的技术走势和稳健的基本面，同时专注于机器人概念股且流通市值小于100亿的公司股票，以控制风险。
选股逻辑分析
选股逻辑包括MACD值在零轴以上、企业性质、机器人概念股且流通市值小于100亿等条件。MACD值在零轴以上反映了股票价格大概率向上上涨趋势，企业性质则选注重稳健发展的企业基本面，机器人概念股的投资主要关注于未来科技趋势，同时选股时限定流通市值小于100亿以控制风险。
有何风险？
由于该策略只将目光限定于机器人概念股市场，可能会错过其他行业的优异表现；同时，限定流通市值小于100亿也可能会错过一些符合其他条件但市值较大的公司股票，同时市场风险依然存在。
如何优化？
可以将机器人概念股的投资主题增加到其他未来科技领域，如人工智能、云计算等；同时，同时加入其他基本面指标如市盈率、市净率、ROE等和选取其他优秀技术指标如KDJ等来补充缺省。如果需要简化策略，则可以适当放宽流通市值的范围来扩大选股空间。
最终的选股逻辑
选取MACD值在零轴以上、企业性质、机器人概念股且流通市值小于100亿的个股作为投资标的，同时适当加入其他基本面和技术指标来进行更准确的选股决策。
同花顺指标公式代码参考
RETURN(MACD>0 AND INSTR(CONCEPT, '机器人') AND CAPITALIZATION<10000000000)
其中，MACD代表移动平均线指标，CONCEPT代表概念板块，CAPITALIZATION代表流通市值，RETURN返回真假值。
Python代码参考
import jqdatasdk as jq
import talib
import pandas as pd
jq.auth("账户名", "密码")
q = jq.query(jq.finance.STK_INCOME_STATEMENT.year_2021_net_profit, jq.finance.STK_INCOME_STATEMENT.total_profit).filter(jq.finance.STK_INCOME_STATEMENT.pub_date == '昨日', jq.finance.STK_INCOME_STATEMENT.code != None)
df_income_statement = jq.get_fundamentals(q, count=1)
q = jq.query(jq.finance.STK_CAPITAL_AMOUNT.total_capital).filter(jq.finance.STK_CAPITAL_AMOUNT.pub_date == '昨日', jq.finance.STK_CAPITAL_AMOUNT.code != None)
df_capital_amount = jq.get_fundamentals(q, count=1)
q = jq.query(jq.finance.STK_LIST_INFO).filter(jq.finance.STK_LIST_INFO.code != None)
df_list_info = jq.get_fundamentals(q, count=500)
q = jq.query(jq.valuation).filter(jq.valuation.code != None)
df_valuation = jq.get_fundamentals(q, count=500)
df_concept_sector = jq.get_concepts('机器人').index.tolist()
df_adjust_price = jq.get_price(df_valuation.index.tolist(), count=60, end_date='today', frequency='daily', fields=['open', 'close', 'high', 'low'], skip_paused=True)
df_macd, _, _ = talib.MACD(df_adjust_price['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
df_result = pd.DataFrame()
for code in df_valuation.index:
stock_name = jq.get_security_info(code).display_name
df_temp = jq.get_finance_indicator(code, end_date='2021-12-31', count=1)
df_temp['code'] = code
df_temp['name'] = stock_name
df_result = df_result.append(df_temp)
df_result['concept_sector'] = ''
for code in df_concept_sector:
df_result['concept_sector'] = df_result['concept_sector'] | (df_list_info['concept_ids'].str.contains(code))
df_result = df_result[(df_macd > 0) & (df_result['concept_sector']) & (df_result['circulating_market_cap']<10000000000)]
df_result = df_result.sort_values(by='market_cap', ascending=False)
df_final = df_result[['code', 'name']].set_index('code')
print(df_final)
## 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。
