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，且量比在1.5和6之间。选股时间为每日开盘后进行。
选股逻辑分析
该选股策略是以MACD和个股热度作为筛选因子，并加入了量比的限制。MACD和个股热度均为短期策略的重要指标，加上量比的限制可以避免突然放量后价格出现大幅波动。
但是，仅仅依靠这几个指标来进行选股并不充分，存在盲目性和不足之处。在实际操作过程中，选股策略需要更加完善和严密。
有何风险？
- 筛选出的股票数量可能较少，增加风险集中度。
- 排序指标的增加可能会损失该行业中一些发展上升势头的股票的机会。
- 策略缺乏灵活性，容易受到市场影响。
如何优化？
- 加入更加全面和合理的指标来进行筛选和约束，增加选股的准确性和实用性。
- 结合股票所处的行业和基本面情况来进行优化和调整，避免盲目性和不确定性。
- 不断严密地评估风险和业绩，结合回测和实际操作来进行策略修正和优化。
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，且量比在1.5和6之间。应用以上逻辑进行股票选股。
同花顺指标公式代码参考
MACD: (EMA(CLOSE, 12) - EMA(CLOSE, 26))
VR: VOLUME/MA(VOLUME, 26)
其中CLOSE为当日收盘价，EMA为指数移动平均数，MACD为MACD线，VOLUME为当日交易量，MA为简单移动平均数，VR为量比。
Python代码参考
以下是Python的选股筛选代码，仅供参考：
import akshare as ak
import pandas as pd
data_stock_price = ak.stock_zh_a_minute(symbol="sh601988", period='1') # 获取股票数据，注意需要分钟数据
macd = pd.Series(data_stock_price['close']).ewm(12).mean() - pd.Series(data_stock_price['close']).ewm(26).mean()
vr = data_stock_price['volume'] / data_stock_price['volume'].rolling(26).mean()
result_filtered = data_stock_price[(macd > 0) & (vr > 1.5) & (vr < 6)]
result_sorted = result_filtered.sort_values(by='turnover_rate', ascending=False)
result_top = result_sorted.iloc[:100] # 选取前100条数据作为筛选结果
## 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。
