问财量化选股策略逻辑
选股逻辑为 MACD 技术指标零轴以上、价格小于 12 元、为 2021 年的股票。选股时间为每个交易日开盘前 10 点进行。
选股逻辑分析
该选股策略除了考虑技术指标和股票价格外，还关注了股票的时间范围。限定了时间范围之后可以减少数据量，提高选股的效率。
有何风险？
- 选股范围不够广泛，可能会漏掉一些有潜力的股票。
- 定位时间范围不准确，可能会错过一些市场机遇。
如何优化？
- 综合考虑股票基本面等更多指标来筛选出更具潜力的股票。
- 根据实际情况，定期对选股逻辑进行调整或优化，以适应市场变化。
- 根据实际情况，调整时间范围限制来寻找更具价值的股票。
最终的选股逻辑
选股逻辑为 MACD 技术指标零轴以上、价格小于 12 元、为 2021 年的股票。选股时间为每个交易日开盘前 10 点进行。
同花顺指标公式代码参考
以下为 MACD 指标的同花顺指标公式：
MACD(C, 12, 26, 9);
CROSS(MACD, 0) = 1;
其中 C 为当日收盘价，OPEN 为开盘价，MA 为均线指标，J、K、D 分别为 KDJ 指标的三条线。
Python代码参考
以下是 Python 的选股筛选代码，仅供参考：
import talib
import akshare as ak
import pandas as pd
data_stock_price = ak.stock_zh_a_daily(symbol="sz000001", adjust="qfq") # 获取股票数据，可根据实际需求调整
data_stock_price = data_stock_price.loc[data_stock_price.index.year == 2021]
close_price = data_stock_price['close'].to_numpy()
can_trading = data_stock_price['can_trading'].to_numpy()
ma = talib.SMA(np.array(close_price), timeperiod=10)
short, long, m = 12, 26, 9
dif, dea, macd = talib.MACD(np.array(close_price), fastperiod=short, slowperiod=long, signalperiod=m)
target_stocks = []
for i in range(2, len(data_stock_price)):
if data_stock_price["price"].iloc[i] < 12 and macd[i] > 0 and can_trading[i] == 1:
target_stocks.append([data_stock_price.index[i], data_stock_price["name"].iloc[i]])
target_stocks = sorted(target_stocks, key=lambda x: hot_rank_list.index(x[0]), reverse=True)
同样需要注意，由于数据在运行时需要更新，因此具体代码需要根据实际情况进行调整。还需要根据需求调整选股结果的输出方式。
## 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。
