问财量化选股策略逻辑
该策略选股逻辑包括以下条件：换手率3%-12%,开盘价在十日线左右,日线MACD＞0。
选股逻辑分析
该选股策略主要考虑了标的资产的短期走势和技术面形态，其中，换手率3%-12%和开盘价在十日线左右可以过滤掉不活跃、短期走势不佳的标的资产，而日线MACD＞0则意味着股票处于上涨趋势中。该策略注重短期走势和技术形态，可以捕捉当前的市场热点机会。
有何风险？
该选股逻辑依赖于MACD指标，可能由于市场环境变化等一些因素导致MACD指标的失灵，从而错过一些机会。此外，该选股策略刻意地抛弃过低或过高换手率的股票，可能忽略一些低市值、高成长性的标的资产。
如何优化？
可在选股条件中加入一些基本面、财务指标等价值因素，以更加完善维度筛选优秀的标的资产。此外，可以通过合理的调整策略参数和指标方案，有效控制风险，避免过度追涨套牢等风险。
最终的选股逻辑
该选股逻辑为：换手率大于等于3%且小于等于12%、开盘价在十日线左右、日线MACD＞0。
同花顺指标公式代码参考
通达信公式代码：
(TURNOVER>=0.03 AND TURNOVER<=0.12)
AND (OPEN>MA(CLOSE,10)*0.95 AND OPEN<MA(CLOSE,10)*1.05)
AND MACD()>0
python代码参考
import pandas as pd
from datetime import datetime
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(1, 0)
df_stocks = pd.DataFrame(all_stocks, columns=['code', 'name', 'market_type', 'exchange_type'])
# 获取A股财报数据
selected_stocks = []
for code in df_stocks['code']:
stock_k_data = api.get_k_data(code, 'D')
stock_macd, signal, hist = talib.MACD(stock_k_data['close'].values)
if stock_k_data is not None and len(stock_k_data)>0 \
and stock_macd[-1]>0 \
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['open'].median()>=stock_k_data['close'].rolling(10).mean()*0.95 \
and stock_k_data['open'].median()<=stock_k_data['close'].rolling(10).mean()*1.05:
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], 'circulation_mv':stock_k_data['circulation_mv'].quantile(0.7)})
df_selected = pd.DataFrame(selected_stocks)
# 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。
