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，同时选择外盘/内盘大于1.3的标的。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，而个股的热度实际上反映的是市场对某个标的的关注程度。选择外盘/内盘大于1.3的标的，可以挖掘受到多头资金支持的标的。
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；
- 外盘/内盘的数值不具有普适性，可能存在一定程度的误差；
- 忽略了市场的整体走势及行业特征等因素，不能代表真实的市场状况。
如何优化？
- 引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全面性；
- 在选择资金流向时，应引入多维度的资金流量指标，如主力资金等；
- 对选股的标准进行灵活调整，包括但不限于归纳选股模型；
- 经过初步筛选后，进一步对标的的公司业务、财务状况等指标进行深入研究，提高投资决策的准确性。
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，同时选择外盘/内盘大于1.3的标的。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;
外盘/内盘指标：
OBV: SUM(IF(CLOSE>REF(CLOSE,1),VOLUME,IF(CLOSE<REF(CLOSE,1),-VOLUME,0)),0);
OBVMA: MA(OBV, M);
其中CLOSE为收盘价，VOLUME为成交量，M为统计天数。
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['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['OBV'] = ta.SUM(ta.IF(data_stock_m['close'] > ta.REF(data_stock_m['close'], timeperiod=1), data_stock_m['volume'], ta.IF(data_stock_m['close'] < ta.REF(data_stock_m['close'], timeperiod=1), -data_stock_m['volume'], 0)), timeperiod=0)
data_stock_m['OBVMA'] = ta.MA(data_stock_m['OBV'], timeperiod=M)
condition = (data_stock_m['DEA'] > 0) & (data_stock_m['SECTOR'].str.contains("主板")) & (data_stock_m['OBV'] / data_stock_m['OBVMA'] > 1.3)
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。
