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,周线macd在零轴之上。
选股逻辑分析
该选股策略主要基于市场流动性和关注度，同时考虑到周线MACD指标的趋势特征，可以一定程度上提高选股策略稳定性和盈利能力。
有何风险？
该选股策略利用MACD的趋势特征较为单一，可能会忽略市场情绪、板块等因素的影响，同时可能会因MACD的标准参数而丢失更重要的市场信号，存在一定的风险。
如何优化？
可以在MACD指标的基础上加入其他周期的指标，综合考虑市场整体趋势、基本面、技术面等因素，引入其他流动性、关注度等基本面指标进行辅助筛选，以及加入更多的市场情绪、板块等技术指标进行综合分析。同时，可以根据个股的历史情况和市场整体行情进行动态调整，以更好地控制风险。
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,周线macd在零轴之上，同时可以加入其他市场因素进行综合筛选。
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(12, 26, 9, 0, 1)>0
python代码参考
import pandas as pd
from pytdx.hq import TdxHq_API
from stockstats import StockDataFrame
api = TdxHq_API()
api.connect('119.147.212.81', 7709)
all_stocks = api.get_security_list(0, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type', 'industry'])
selected_stocks = []
for code in df_stocks['code']:
if code.startswith(('00', '60', '30')) and df_stocks[df_stocks['code'] == code]['market_type'].values[0] != 5:
if not api.is_ST(code) and api.get_stock_list_by_market(1)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0 and \
api.get_stock_list_by_market(2)['name'].tolist().count(df_stocks[df_stocks['code'] == code]['name'].values[0]) == 0:
end_date = datetime.today().strftime('%Y-%m-%d')
start_date = (datetime.today() - timedelta(days=25*7)).strftime('%Y-%m-%d')
k_data = api.get_security_bars(9, 0, code, 4, (datetime.today() - timedelta(days=1)).strftime('%Y-%m-%d'))
k_data['date'] = k_data['datetime'].apply(lambda x: datetime.fromtimestamp(time.mktime(time.strptime(str(x), '%Y%m%d%H%M%S'))).strftime('%Y-%m-%d'))
k_data = k_data.loc[(k_data['date'] >= start_date) & (k_data['date'] <= end_date)]
stk = StockDataFrame.retype(k_data)
if len(k_data) > 1 and \
k_data['turnover'].quantile(0.7) >= 0.03 and \
k_data['turnover'].quantile(0.7) <= 0.12 and \
any(k_data['high'][:-1].rolling(window=25).apply(lambda x: (x == x.max()).any())) and \
(stk['macd'][-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],
'change': api.get_security_quotes([(df_stocks[df_stocks['code'] == code]['exchange_type'].values[0], code)])['change'][0]})
df_selected_stocks = pd.DataFrame(selected_stocks)
df_selected_stocks = df_selected_stocks.sort_values('change', ascending=False).reset_index(drop=True)
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。
