选股逻辑：MACD值在零轴以上、企业性质和昨天出现3连板的个股作为投资标的。该策略旨在选取具备较好技术走势和市场情绪的股票，以期获得更多收益。
选股逻辑分析
选股逻辑为MACD值在零轴以上、企业性质和昨天出现3连板的个股作为投资标的。MACD值在零轴以上代表股价趋势可能向上上涨，企业性质则选注重稳健发展的企业基本面。而昨天出现3连板则是表明该股票具有较好的市场情绪和技术走势。主要选取具有较好技术走势和市场情绪的股票。
有何风险？
该选股逻辑相对狭窄，只以指定的指标为主要选股依据，可能会忽略其他指标的重要性。同时，由于只考虑昨天出现3连板的个股，可能会忽略个股相对于大盘的绝对表现。市场风险依然存在。
如何优化？
建议将选股逻辑增加其他技术面指标或基本面指标，如财务数据、现金流量、营收增长率等指标并动态调整选股依据，以更好的反应市场和公司现有情况。同时，要结合其他市场信息对逻辑进行综合分析和权衡。
最终的选股逻辑
选取MACD值在零轴以上、企业性质和昨天出现3连板的个股作为投资标的，建议增加其他技术面和基本面指标，并动态调整选股依据，以更好反应市场和公司现有情况。同时，要结合其他市场信息对逻辑进行综合分析和权衡。
同花顺指标公式代码参考
RETURN(MACD>0 AND INSTR(CONCEPT, '通达信') AND ANY(SELECT COUNT(1) FROM (SELECT * FROM stock__xdr WHERE F2+0=REF(F2,1)) WHERE CODE==STOCK_CODE AND EDATE==TODAY))
其中，MACD代表移动平均线指标，CONCEPT代表概念板块，stock__xdr代表限售股份解禁信息，REF代表取上一天数据，ANY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_SHAREHOLDER_FLOATING_TOP10.code, jq.finance.STK_SHAREHOLDER_FLOATING_TOP10.share_ratio).filter(jq.finance.STK_SHAREHOLDER_FLOATING_TOP10.date == '今日', jq.finance.STK_SHAREHOLDER_FLOATING_TOP10.code != None)
df_shareholder = jq.get_fundamentals(q)
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)
df_price = pd.DataFrame()
for code in df_list_info.index:
df_temp = jq.get_price(code, end_date='today', count=4)
if df_temp is None or not (df_temp['close'] == df_temp['close'].max()).all():
continue
df_temp['code'] = code
df_price = df_price.append(df_temp)
df_price = df_price[['code', 'close']]
df_macd, _, _ = talib.MACD(df_price['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
df_result = pd.DataFrame()
for code in df_macd.index:
if df_macd[code] <= 0:
continue
stock_name = jq.get_security_info(code).display_name
df_temp = df_list_info.loc[[code]]
df_temp['code'] = code
df_temp['name'] = stock_name
df_temp['share_ratio'] = df_shareholder.loc[[code], 'share_ratio'].values[0]
df_result = df_result.append(df_temp)
df_result = df_result[df_result['progress'].eq(-3)]
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。
