问财量化选股策略逻辑
选取MACD值在零轴以上、企业性质良好，且近500个交易日内至少发生2次涨停的股票作为投资标的。该策略从技术面、基本面和市场情绪等多个方面出发，选取MACD值在零轴以上的股票代表其经济基本面整体上处于扩张状态，企业性质良好代表着公司未来具有较好的盈利前景，近500个交易日内至少发生2次涨停则代表市场中存在一定的情绪共鸣，有利于股票价格进一步上涨。
选股逻辑分析
该选股策略集成了技术面、基本面和市场情绪等多个方面的因素，MACD值在零轴以上的股票代表公司经济基本面的扩张状态，企业性质良好代表着公司未来具有良好的盈利前景，近500个交易日内至少发生2次涨停则代表市场中存在一定的情绪共鸣，有利于股票价格进一步上涨。
有何风险？
该选股策略过于追求短期股票价格上涨，可能会忽略一些公司的基本面情况，从而做出不合理的投资决策。同时，市场情绪的变幻难以预测，不能保证股票价格的上涨始终能够维持。
如何优化？
可以加入更多基本面因素，如市盈率、市净率等因素来筛选出性价比更高的标的。同时，加入相应的技术面因素，如KDJ等以便更全面地反映股票的市场情况。在筛选涨停股票时，可以考虑加入涨停板的次数或者幅度等更加详细的因素。
最终的选股逻辑
选取MACD值在零轴以上、企业性质良好，且近500个交易日内至少发生2次涨停的股票作为投资标的。
同花顺指标公式代码参考
MACD>0 AND HIGH/REF(HIGH,1)>1.09 AND REF(HIGH/REF(HIGH,1),1)>1.09 AND COUNT(IF(HIGH == REF(HIGH, 1), 1, 0), 20) >= 2
Python代码参考
import talib
import jqdatasdk as jq
from datetime import datetime, timedelta
import numpy as np
jq.auth("账户名", "密码")
today = datetime.now().strftime("%Y-%m-%d")
days_ago = (datetime.now() - timedelta(days=500)).strftime('%Y-%m-%d')
q = jq.query(jq.valuation).filter(jq.valuation.code.in_(jq.get_all_securities().index.tolist()))
df_valuation = jq.get_fundamentals(q)
df_valuation = df_valuation[(df_valuation['pe_ratio']>0) & (df_valuation['pe_ratio']<100)]
df_stock_basics = jq.get_all_securities('stock')
df_stock_basics = df_stock_basics[df_stock_basics['start_date'] < days_ago]
price_df = jq.get_price(df_stock_basics.index.tolist(), end_date=today, frequency="daily", fields=["low", "high", "close", "volume"])
df = df_valuation.merge(price_df.reset_index(), left_index=True, right_on='code')[['name', 'pe_ratio', 'pb_ratio', 'low', 'high', 'close', 'volume']]
df = df[(df['pe_ratio']>0) & (df['pb_ratio']>0)]
df['market_cap'] = df['close'] * df['volume']
df = df[df['market_cap'] > 2e+8].sort_values('market_cap', ascending=False)
df['macd'], df['macdsignal'], df['macdhist'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)
df = df[df['macd']>0]
df_weekly_high = jq.get_price(df.index.tolist(), start_date=days_ago, end_date=today, frequency="daily", fields="high")
df['pre_close_1'] = df.groupby('code')['close'].shift(1)
df['is_highest'] = (df['high'] > df['pre_close_1'] * 1.09) & (df['high'] / df['pre_close_1'] > 1.09)
df['count_high'] = df.groupby('code')['is_highest'].rolling(window=20).sum().reset_index(level=0, drop=True)
df = df[df['count_high'] >= 2]
df = df.sort_values('market_cap', ascending=False)
stock_list = df.index.tolist()
for code in stock_list:
stock_name = jq.get_security_info(code).display_name
q = jq.query(jq.indicator.MACD).filter(jq.indicator.MACD.code==code).filter(jq.indicator.MACD.date==today)
df_macd = jq.indicator.run_query(q)
if len(df_macd) > 0 and df_macd.iloc[0]['macd'] > 0:
print("(" + code + ")" + stock_name + " 符合条件")
## 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。
