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，同时考虑反包，即昨日的包含关系为包含的股票今日不选，未被包含的股票今日选出。选股时间为每日开盘后进行。
选股逻辑分析
该选股逻辑基于 MACD 指标和个股热度的选股逻辑，加入了反包的特殊处理，通过该特殊处理排除昨日涨幅较高的股票，从而避免追高杀跌的风险，寻找具有未来业绩提升潜力的股票，从而实现风险控制和盈利最大化的平衡。
有何风险？
- 过于依赖技术指标和热度指标筛选，可能造成对基本面的忽略。
- 筛选股票的方法较为复杂，可能出现选出的股票不符合预期的情况。
- 难以完全避免市场风险，可能会出现市场波动对选择的股票造成影响的情况。
如何优化？
- 增加基本面指标进行筛选，降低过度依赖技术指标的问题。
- 适度简化选股逻辑，减少选股方法的复杂程度。
- 加入风险控制策略，降低市场风险带来的影响。
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，同时考虑反包。
同花顺指标公式代码参考
以下是通达信的 MACD 指标公式：
DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA:EMA(DIF,M);
MACD:(DIF-DEA)*2,COLORSTICK;
以下是通达信的反包指标：
REF(CLOSE>OPEN,1)=0;
以下是通达信的股票代码指标，（排除昨日包含今日不包含的股票）：
(CLOSE>OPEN) & (REF(CLOSE>OPEN,1)==1);
以下是通达信的股票代码指标，（选出未被包含的股票）：
(CLOSE>OPEN) & (REF(CLOSE>OPEN,1)==0);
注意，个股热度 指标没有具体的同花顺指标可以参考，需要自行实现。
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_daily(symbol="sh601988") # 获取股票数据，注意需要日线数据
macd = pd.Series(data_stock_price['close']).ewm(12).mean() - pd.Series(data_stock_price['close']).ewm(26).mean()
filtered = data_stock_price.loc[
(macd > 0), :
].sort_values(by=['热度'], ascending=False)
# 反包策略部分
last_close_open_diff = filtered['close'] - filtered['open'].shift(1) # 上个交易日收盘到今天开盘差价
filtered['should_pick'] = (last_close_open_diff <= 0) # 如果昨日开盘到今天收盘是下跌的，就选。
result = filtered.loc[filtered['should_pick'], :] # 最终选股结果
注：由于 个股热度 函数需要自行实现，因此代码中并没有给出函数的具体实现。
## 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。
