问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、反包、MACD零轴以上的股票中选择。
选股逻辑分析
该选股逻辑主要关注股票的成交量和动能表现。通过筛选换手率、反包、MACD指标，筛选出具有投资价值的股票。
有何风险？
该选股策略主要关注市场热点和技术指标，可能会错过一些长线价值投资的潜力股。另外，MACD指标的表现受股价波动的影响，存在一定的主观性和局限性。
如何优化？
要更全面地考虑股票的基本面和发展前景，可以结合行业分析和财务指标的综合评估，以筛选出真正有价值的公司。同时，也可以参考专业机构的分析和研究报告，以帮助优化选股策略。
最终的选股逻辑
选股条件为：在换手率3%-12%、反包、MACD零轴以上的股票中选择。
同花顺指标公式代码参考
选股条件：(close > MAAW) AND (TURNRATE >= 3 AND TURNRATE <= 12) AND (CONCEPT("反包") AND DIFF > 0 AND DEA > 0) ORDER BY DIFF DESC
选股结果：fml('(close > MAAW) AND (TURNRATE >= 3 AND TURNRATE <= 12) AND (CONCEPT("反包") AND DIFF > 0 AND DEA > 0) ORDER BY DIFF DESC', 80)
其中，close表示股票收盘价，MAAW表示股票的均线。TURNRATE表示股票的换手率。DIFF和DEA分别为MACD指标中的快线与慢线。
Python代码参考
import tushare as ts
import pandas as pd
ts.set_token('your_token')
pro = ts.pro_api()
# 筛选好股票函数
def select_good_stocks():
# 换手率3%-12%
df1 = pro.daily_basic(ts_code='', trade_date='20220110', fields='ts_code,trade_date,turnover_rate')
# 反包和MACD零轴以上
df2 = pro.concept_detail(id='TS220202', fields='ts_code,name')
df3 = pd.merge(df1, df2[['ts_code']], on='ts_code', how='inner')
df4 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df4 = df4[(df4['float_mv'] < 100000) & (df4['industry'] != '')]
trade_days = pro.trade_cal(exchange='', start_date='20220107', end_date='20220110')[pro.trade_cal.is_open == 1]['cal_date'].tolist()
df5 = pd.DataFrame()
for trade_day in trade_days:
df = pro.daily(ts_code='', start_date=trade_day, end_date=trade_day, fields='ts_code,trade_date,high,low,close')
maaw = df['close'].rolling(5).mean()
df = df[(df['close'] > maaw)]
df5 = pd.concat([df5, df])
df5 = df5[df5['trade_date'] == '2022-01-07']
df5 = df5[['ts_code', 'close']]
df6 = pd.merge(df4, df3[['ts_code']], on='ts_code', how='inner')
df7 = pd.merge(df6, df5[['ts_code']], on='ts_code', how='inner')
df8 = pro.index_daily(ts_code='000001.SH', start_date='20220107', end_date='20220110', fields='trade_date,close')
macd_short = df8['close'].ewm(span=12).mean()
macd_long = df8['close'].ewm(span=26).mean()
macd_diff = macd_short - macd_long
macd_dea = macd_diff.ewm(span=9).mean()
macd_df = pd.concat([macd_diff, macd_dea], axis=1)
macd_df.columns = ['DIFF', 'DEA']
macd_df['MACD'] = (macd_df['DIFF'] - macd_df['DEA']) * 2
macd_zero = macd_df[macd_df['DIFF'] > 0].index.tolist()
df9 = df7[df7['ts_code'].isin(macd_zero)]
df9 = df9[(df9['turnover_rate'] > 3) & (df9['turnover_rate'] < 12)]
df9 = df9.round({'turnover_rate': 2, 'float_mv': 2})
df9 = df9.sort_values(by='DIFF', ascending=False)
return df9
good_stocks = select_good_stocks()
print(good_stocks)
## 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。
