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，且收益大于0。选股时间为每日开盘后进行。
选股逻辑分析
该选股策略是以MACD和个股热度作为筛选因子，再加上在收益一项上进行约束。选股逻辑较为合理，以涨幅和个股热度来进行选股，能够增加选股的准确性和实用性。
但是，使用历史股票数据作为策略约束，其收益情况可能存在抽样偏差，数据在现实中是否具有普遍性需要进一步验证。
有何风险？
- 筛选出的股票可能集中于某一行业，增加风险集中度。
- 维持同样的比例分配在所有持仓中可能存在不同的风险收益率，且这种平均分配策略并不一定满足期望风险收益率的要求。
- 使用历史数据的缺陷，可能带来抽样偏差。
如何优化？
- 加入更多其他指标作为筛选，增加选股准确性；例如价格、交易量、PE等因素。
- 对策略约束进行不断调整优化，结合回测进行修正。
- 更加全面地评估操作风险，采用一些评估指标来对期望风险进一步约束。
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，同时要求收益大于0。应用以上逻辑进行股票选股。
同花顺指标公式代码参考
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
以下是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="sh601988", 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'] > 0)]
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。
