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，股票均价站在五日均线之上。选股时间为每个交易日收盘后。
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，股票均价站在五日均线之上可以反映股票近期表现较好。综合这三个指标可以过滤掉一些不稳定的标的，选出一些趋势较好，受市场关注度较高，且近期表现较好的股票。
有何风险？
- 忽略了公司基本面等因素的影响，选择的标的存在一定程度的风险；
- 选股方法简单，可能出现选股集中导致结果过于集中；
- 忽略了市场的整体走势及宏观经济等因素，不能代表真实的市场状况；
- MACD指标存在滞后性，并不能完全反映市场状况；
- 五日均线指标仅考虑了短期趋势，可能会忽略股票长期表现。
如何优化？
- 加入更多的基本面和技术面指标进行筛选，提高选股的多样性和准确性；
- 在选股时考虑多种指标的交叉验证，优化选股逻辑；
- 根据市场整体走势等宏观因素进一步筛选标的；
- 考虑加入长期趋势指标，例如250日均线、一年涨幅等，以补足短期趋势指标的不足。
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，股票均价站在五日均线之上，并加入其它相关技术指标因素。选股时间为每个交易日收盘后。
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为收盘价，EMA为指数平均数。
五日均线指标：
MA5: MA(CLOSE, 5);
其中CLOSE为收盘价，MA为简单移动平均数。
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_daily_tx(symbol="", trade_date="")
data_stock_m = data_stock.copy()
data_stock_m['MA5'] = ta.MA(data_stock_m['close'], timeperiod=5)
data_stock_m['DIF'] = ta.EMA(data_stock_m['close'], timeperiod=12) - ta.EMA(data_stock_m['close'], timeperiod=26)
data_stock_m['DEA'] = ta.EMA(data_stock_m['DIF'], timeperiod=9)
data_stock_m['MACD'] = (data_stock_m['DIF'] - data_stock_m['DEA']) * 2
condition = (data_stock_m['MACD'] > 0) & (data_stock_m['hot'] > 0) & (data_stock_m['MA5'] > data_stock_m['close'])
data_stock_filtered = data_stock_m[condition]
result_sorted = data_stock_filtered.sort_values(by=['hot'], ascending=False).head(5)
## 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。
