问财量化选股策略逻辑
选股逻辑为 MACD 零轴以上、价格小于 12 元、流通市值在 50-100 亿元之间的股票。选股时间为每个交易日开盘前进行。
选股逻辑分析
该选股逻辑同样考虑了技术面和基本面两方面因素。MACD 的选取反映了技术面的情况，而流通市值的选取反映了基本面。同时，该策略只选取了价格比较低廉、市值适中的股票，规避了较高风险。
有何风险？
- 存在市场情绪因素的影响，仅考虑技术面和流通市值因素可能导致选股结果失误。
- 流通市值的参考标准可能有差异，可能存在市场参考价值不高的情况。
如何优化？
- 在技术面因素的考虑中，可以增加其他指标的考虑，如 KDJ、RSI 等，以全面综合股票走势。
- 在基本面的考虑中，可以增加其他指标的考虑，如市盈率、市净率等，以全面综合分析股票风险情况和市场参考价值。
- 可以适当降低流通市值的参考标准，以扩大股票的选取范围，增加投资机会。
最终的选股逻辑
选股逻辑为 MACD 零轴以上、价格小于 12 元、流通市值在 50-100 亿元之间的股票。在筛选过程中，同时关注其他技术和基本面指标，以全面综合分析股票的走势和市场参考价值，并适当降低流通市值的参考标准，以增加投资机会。
同花顺指标公式代码参考
以下是 MACD 的同花顺指标公式：
DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA:EMA(DIF,M);
MACD:(DIF-DEA)*2,COLORSTICK;
注意，其中 SHORT = 12，LONG = 26，M = 9。
python代码参考
以下是 Python 的选股筛选代码，仅供参考：
import akshare as ak
data_stock_price = ak.stock_zh_a_minute(symbol="sh601988", period="15") # 获取股票 15 分钟数据
close_price = data_stock_price["close"].tolist()
dif, dea, macd = talib.MACD(np.array(close_price), fastperiod=12, slowperiod=26, signalperiod=9)
data_stock_info = ak.stock_info_a_code_name() # 获取股票列表数据
data_stock_quote = ak.stock_zh_a_quote(symbol="sh601988") # 获取股票实时行情数据
market_cap = data_stock_quote["市值"].tolist()
consecutive_decline = True
for i in range(-1, -8, -1):
if close_price[i] < close_price[i-1]:
consecutive_decline = False
break
if consecutive_decline and macd[-1] > 0 and data_stock_price["close"].iloc[-1] < 12 and 5000000000 <= market_cap[-1] < 10000000000:
filtered = data_stock_info.loc[
(data_stock_info["type"] == "主板")
# 其他条件
]
result = filtered[["代码", "名称"]] # 最终选股结果
注意，由于数据在运行时需要更新，因此具体代码需要实际情况调整。同时需要根据实际情况查询对应的 AKShare 数据接口。
## 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。
