问财量化选股策略逻辑
该选股策略选股逻辑为：换手率3%-12%,前25天有涨停,macd零轴以上。
选股逻辑分析
该选股策略选取了市场交易活跃度（换手率）和市场热度（前25天有涨停），同时关注了技术指标MACD，以MACD零轴以上为筛选条件，代表着当前股票的买入动能，连接上一波上涨动能，有较大的概率继续向上突破，因此有望实现长期持有盈利。
有何风险？
该选股策略在关注未来发展潜力的同时，可能会忽略公司的具体基本面情况，导致选股偏差，加大投资风险。
如何优化？
可以通过加入更多的基本面指标来综合分析股票的价值，比如公司的财务报告、行业发展趋势、政策变化等因素，使得选股策略更为理性、全面，增加选股成功率。
最终的选股逻辑
该选股策略选股逻辑为：换手率3%-12%,前25天有涨停,MACD零轴以上，同时综合考虑公司的财务报告、行业发展趋势、政策变化等因素。
同花顺指标公式代码参考
通达信指标代码：
TURNOVER_RATIO>=0.03 AND TURNOVER_RATIO<=0.12 AND COUNT(WINDBREAKSIGN>0 and WINDBREAKSIGN<100, 25)>=1 AND MACD()>0
其中，COUNT表示计算25天内的涨停板数量，WINDBREAKSIGN表示振幅。
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
# 创建连接
api = TdxHq_API()
api.connect('119.147.212.81', 7709)
# 所有A股列表
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type'])
# 获取A股数据
selected_stocks = []
for code in df_stocks['code']:
if code.startswith(('00', '60', '30')):
stock_k_data = api.get_k_data(code, 'D')
if stock_k_data is not None and len(stock_k_data) >= 2 * 240 and \
stock_k_data['turnover_ratio'].quantile(0.7) >= 0.03 and \
stock_k_data['turnover_ratio'].quantile(0.7) <= 0.12 and \
stock_k_data['wind_break_sign'].rolling(25).apply(lambda x: (x > 0).sum()) > 0 and \
stock_k_data['macd_dif'].iloc[-1] >= 0:
selected_stocks.append({'code': code,
'name': df_stocks[df_stocks['code'] == code]['name'].values[0],
'market_type': df_stocks[df_stocks['code'] == code]['market_type'].values[0],
'turnover_ratio': stock_k_data['turnover_ratio'].iloc[-1]})
# 断开连接
api.disconnect()
## 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。
