问财量化选股策略逻辑
选取MACD值在零轴以上、企业性质且反包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，同时关注反包这一技术面，以控制风险。
选股逻辑分析
选股逻辑包括MACD值在零轴以上、企业性质以及反包这一技术面。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。而反包技术面则是在股价处于调整和盘整期时，随着趋势性买卖力量渐渐增强，强势启动突破调整震荡区间而出现的情况，因而更有可能出现上涨的可能。通过以上逻辑，选取具有强劲走势潜力的股票，以期获得更大的收益。
有何风险？
由于该策略只将目光限定于MACD值在零轴以上、企业性质、反包这一技术面，可能会错过其他行业的优异表现和其他技术面表现出的机会。以及市场风险依然存在。
如何优化？
可以将选股逻辑增加其他技术面指标或基本面指标，如KD指标等和市盈率、市净率、ROE等基本面指标。在合适的时机进行投资，同时也需注意一定的风险控制。
最终的选股逻辑
选取MACD值在零轴以上、企业性质且反包的个股作为投资标的，同时适当加入其他技术面和基本面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 REVERSE(L<REF(C, 1)))
其中，MACD代表移动平均线指标，CONCEPT代表概念板块，REVERSE代表反包，REF代表延迟计算，RETURN返回真假值。以上的排除一只股票用L<REF(C, 1)，即当前价格低于前一天收盘价。
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_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_reverse = pd.DataFrame()
for code in df_valuation.index:
df_temp = jq.get_price(code, count=2, end_date='today', frequency='daily', fields=['open', 'close', 'high', 'low'])
df_temp = df_temp.loc[:, ['close']]
df_temp.columns = ['price']
if df_temp['price'].iloc[0] < df_temp['price'].iloc[1]:
df_reverse = df_reverse.append(pd.DataFrame({'code': [code], 'reverse': [True]}))
else:
df_reverse = df_reverse.append(pd.DataFrame({'code': [code], 'reverse': [False]}))
df_reverse = df_reverse.set_index('code')
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['reverse'] = df_reverse['reverse']
df_result = df_result[(df_macd > 0) & df_result['reverse']]
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。
