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，上市时间大于所设定的时间。选股时间为每个交易日开盘前。
选股逻辑分析
MACD指标可以反映短期市场趋势，个股热度可以反映市场关注度，上市时间可以反映公司的成熟度和稳定性。通过此选股逻辑，可以筛选出市场短期趋势向上、市场关注度高、公司成熟度和稳定性优良的标的，并提高选股的成功率。
有何风险？
- 过于依赖技术指标，忽略基本面和业绩变化，可能导致投资失败；
- 过度关注短期趋势和市场情绪，忽略市场的基本面和长期趋势，可能造成选股漏洞；
- 上市时间不能完全反映公司的实际情况，可能导致选股结果出现偏差。
如何优化？
- 综合考虑市场情绪、资金面、基本面等因素，设置更为全面、合理的筛选条件；
- 根据市场的变化情况，动态调整筛选条件，提高适应性；
- 在筛选的结果上加入其他指标或参数，以提高筛选的准确性；
- 考虑增加一些基本面的因素，如业绩、盈利等指标。
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名，并筛选出上市时间大于所设定的时间的标的，同时加入一些基本面的因素。选股时间为每个交易日开盘前。
同花顺指标公式代码参考
MACD指标：
DIF: EMA(CLOSE, 12) - EMA(CLOSE, 26);
DEA: EMA(DIF, 9);
MACD: (DIF - DEA) * 2;
其中CLOSE为当日收盘价，EMA为指数移动平均数。
Python代码参考
以下为python的选股筛选代码、排序代码，仅供参考：
import akshare as ak
import talib as ta
# 获取股票数据并计算筛选结果
data_stock = ak.stock_zh_a_spot_em()
data_stock['list_date'] = data_stock['list_date'].astype("datetime64[ns]")
data_stock_filtered = data_stock[(data_stock['list_date'] <= "设定时间") & (data_stock['list_date'] != "1970-01-01")]
data_stock_filtered['ma5'] = ta.MA(data_stock_filtered['close'], timeperiod=5)
data_stock_filtered['ma10'] = ta.MA(data_stock_filtered['close'], timeperiod=10)
data_stock_filtered['dif'] = ta.EMA(data_stock_filtered['close'], timeperiod=12) - ta.EMA(data_stock_filtered['close'], timeperiod=26)
data_stock_filtered['dea'] = ta.EMA(data_stock_filtered['dif'], timeperiod=9)
data_stock_filtered['macd'] = (data_stock_filtered['dif'] - data_stock_filtered['dea']) * 2
result_sorted = data_stock_filtered.sort_values(by=['hot'], ascending=False)
## 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。
