问财量化选股策略逻辑
选股逻辑为：在换手率3%-12%、机器人概念且流通市值小于100亿、MACD零轴以上的股票中选择。
选股逻辑分析
该选股策略在之前的选股条件的基础上加入了MACD零轴以上的要求，可以进一步筛选出股票的上涨趋势，具有较强的逻辑性。同时，机器人概念和元宇宙等方向具有较强的投资机会和潜力。
有何风险？
MACD指标是一种趋势判断工具，但不具有预测能力，目前的判断也可能会发生偏差。此外，股票市场的波动和宏观经济形势等因素也会影响该选股策略的效果。
如何优化？
可以结合其他技术指标，例如KDJ、BOLL、RSI等进行综合分析，同时也需要结合公司财务和运营进行全面分析，以获得更准确的选股策略。
最终的选股逻辑
在选股条件为换手率3%-12%、选择机器人概念且流通市值小于100亿元、MACD零轴以上的股票中进行选择。
同花顺指标公式代码参考
可以使用同花顺软件中的“公式选股系统”进行筛选，或者自编代码实现。例如：
fml('换手率>=3 and 概念(机器人)==1 and 流通市值<=100000 and REF(MACD(),0)>0',100)
python代码参考
import tushare as ts
import talib
ts.set_token('your_token')
pro = ts.pro_api()
def select_good_stocks():
# 换手率3%-12%
df1 = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name,industry,pe,pb,turnover_rate,amount,total_mv,float_mv')
df1 = df1[(df1['turnover_rate'] >= 3) & (df1['turnover_rate'] <= 12)]
df1 = df1[(df1['concept'].str.contains('机器人'))]
df1 = df1[(df1['float_mv'] <= 100000)]
stocks_info = []
for index, row in df1.iterrows():
ts_code = row['ts_code']
stock_df = pro.daily(ts_code=ts_code, start_date='20220101')
if (len(stock_df) > 0):
close_price = stock_df['close'][0]
if(close_price > 10):
macd, macdsignal, macdhist = talib.MACD(stock_df['close'], fastperiod=12, slowperiod=26, signalperiod=9)
if macd[-1] > 0:
stocks_info.append(row)
df1 = pd.DataFrame(stocks_info, columns=['ts_code', 'name', 'industry', 'pe', 'pb', 'turnover_rate', 'amount', 'total_mv', 'float_mv'])
return df1
good_stocks = select_good_stocks()
print(good_stocks)
其中需要替换掉your_token为你的tushare token。
## 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。
