问财量化选股策略逻辑
选取MACD值在零轴以上、企业性质良好，且昨日未涨停板的股票作为投资标的。该策略从技术面和基本面两个角度出发，选取MACD值在零轴以上的股票代表其经济基本面整体上处于扩张状态，企业性质良好代表着公司未来具有较好的盈利前景，昨日未涨停板则代表着该股票没有出现过于强劲的涨势，更具持续投资价值。
选股逻辑分析
该选股策略注重技术面和基本面的因素，MACD值在零轴以上的股票代表公司经济基本面的扩张状态，企业性质良好代表着公司未来具有良好的盈利前景，昨日未涨停板则代表股票未出现过强劲的价格波动，具有较好的持续投资价值。
有何风险？
该选股策略可能会忽略股票的市场情况。MACD值等技术指标并不能完全反映公司内部的经营情况，可能存在公司财务数据与技术指标不一致的情况。另外，选股策略过于追求价值投资，可能会忽略一些短期投机机会。
如何优化？
可以加入更多基本面因素，如市盈率、市净率等因素来筛选出性价比更高的标的。同时，在选股策略中加入一些技术面上的指标，如KDJ、RSI等指标，以便更全面地反映市场情况。
最终的选股逻辑
选取MACD值在零轴以上、企业性质良好，且昨日未涨停板的股票作为投资标的。
同花顺指标公式代码参考
CLOSE>MA(CLOSE,20) AND CROSS(MA(CLOSE,5),MA(CLOSE,10)) AND INDUSTRY_CITIC.CITIC1 != "银行" AND INDUSTRY_CITIC.CITIC1 != "证券"
Python代码参考
import jqdatasdk as jq
from datetime import datetime, timedelta
jq.auth("账户名", "密码")
today = datetime.now().strftime("%Y-%m-%d")
yesterday = (datetime.now() - timedelta(days=1)).strftime("%Y-%m-%d")
months_ago = (datetime.now() - timedelta(days=365*2)).strftime('%Y-%m-%d')
q = jq.query(jq.valuation).filter(jq.valuation.code.in_(jq.get_all_securities().index.tolist()))
df_valuation = jq.get_fundamentals(q)
df_valuation = df_valuation[(df_valuation['pe_ratio']>0) & (df_valuation['pe_ratio']<100)]
df_stock_basics = jq.get_all_securities('stock')
df_changed_today = jq.get_all_securities(['stock'], end_date=today).reset_index()[['code', 'display_name']]
df_changed_yesterday = jq.get_all_securities(['stock'], end_date=yesterday).reset_index()[['code', 'display_name']]
diff = df_changed_today.merge(df_changed_yesterday, on=['code'], how='outer', indicator=True)
df = diff[diff['_merge']=='right_only'][['code', 'display_name_y']]
df.rename(columns={'display_name_y': 'display_name'}, inplace=True)
df_stock_basics = df_stock_basics[df_stock_basics['start_date'] < months_ago]
df = df.merge(df_stock_basics[['name', 'start_date', 'industry_code', 'display_name' ]], left_on='display_name', right_on='display_name')
df.index.name = 'code'
df.reset_index(inplace=True)
stock_list = []
for code in df['code'].tolist():
estimate = jq.get_money_flow(code=code, start_date=yesterday, end_date=today)
if len(estimate) >= 2 and estimate.iloc[-1]['volume']/estimate.iloc[-2]['volume'] > 0.5 and estimate.iloc[-1]['volume']/estimate.iloc[-2]['volume'] < 2:
stock_list.append(code)
price_df = jq.get_price(stock_list, end_date=today, frequency="daily", fields=["high", "low", "close"])
limit_df = jq.get_price(stock_list, start_date=yesterday, end_date=today, frequency="daily", fields=["high_limit"])
stock_df = price_df.iloc[-1]
stock_df = stock_df[~(stock_df['close'] >= limit_df.iloc[-2]['high_limit'])]
stock_df = stock_df.sort_values('turnover_rate',ascending=False)
for stock_code in stock_df.index.tolist():
stock_name = jq.get_security_info(stock_code).display_name
q = jq.query(jq.indicator.MACD).filter(jq.indicator.MACD.code==stock_code).filter(jq.indicator.MACD.date==today)
df_macd = jq.indicator.run_query(q)
if len(df_macd) > 0 and df_macd.iloc[0]['macd'] > 0:
print("(" + stock_code + ")" + stock_name + " 符合条件")
## 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。
