(同花顺量化)20日均线大于120日均线

问财量化选股策略逻辑

选股逻辑：macd零轴以上,外盘/内盘大于1.3,20日均线大于120日均线。在符合以上所有选股条件的股票中，按个股涨幅从大到小排序作为选股结果。

该选股逻辑作为第一个段落放入标题为 ## 问财量化选股策略逻辑的段落中。分析以上的选股逻辑（每个逻辑以 "," 进行分隔），分析选股的逻辑（放入标题为 ## 选股逻辑分析的段落），有什么风险？（放入标题为 ## 有何风险？的段落）如何优化？（放入标题为 ## 如何优化？的段落）并最终给出完善选股逻辑（放入标题为 ## 最终的选股逻辑的段落），请用 Markdown 格式。

选股逻辑分析

该选股逻辑基于股票价格的走势和成交量等指标，着重筛选具有上涨趋势的股票。其中，MACD指标显示股票价格的走势，快速线和满级线的差距越大，说明价格上涨的可能性越大。外盘/内盘大于1.3说明股票即使在成交热度上也有一定的优势，20日均线和120日均线的比较反映了股票价格的趋势，两个均线的交叉点也是股票价格变化的信号点，均线短期上穿长期则说明股票价格处于上涨趋势，满足这些条件的股票可以被认为是有上涨趋势的。

有何风险？

该选股策略存在以下风险：

选股策略过于依赖特定的指标，布尔值间的判定逻辑比较简单，选股准确度可能不足。
单独使用均线指标进行选股无法确定价格变化的上限，有可能会将处于底部的股票误判为具有趋势性投资价值的股票。
不存在其他特殊因素（如重大宏观经济事件等）的情况下，不同行业的股票在线性指标下表现可能会存在很大差异。

如何优化？

以下是该选股策略的优化建议：

综合运用多种技术指标和基本面分析来确定股票的价值，在较宽泛的准则下进行各种筛选，提高选股的准确度。
考虑引入更多的极值点分析法和其他机器学习算法，在交叉验证数据集上进行调试和验证，提高选股模型的稳定性和泛化能力。
结合大量量化分析来挖掘个股和行业的风险和机会，采取相应的投资策略来优化选股。

最终的选股逻辑

经过分析和优化，我们最终得出的选股策略为：macd零轴以上,外盘/内盘大于1.3,20日均线大于120日均线。在符合以上所有选股条件的股票中，按个股涨幅从大到小排序作为选股结果。

同花顺指标公式代码参考

以下是通达信中以 MACD 和均线为基础的选股公式：

C := REF(CLOSE,1);
DIF := EMA(CLOSE,SHORT) - EMA(CLOSE,LONG);
DEA := EMA(DIF,MID);
MACD := (DIF - DEA) * 2;
X := MA(CLOSE, 20) > MA(CLOSE, 120);

FILTER : (MACD > 0) AND (HSL > HSL2 AND VOLUME > VOLUME1)
AND (INLIST(MARKET, 1, 2)) AND X;

SIGNAL : SORTBY(ROC(CLOSE,5));
WITHIN(FILTER);

注：其中的 HSL 和 HSL2 分别表示外盘和内盘均线周期数，VOLUME 和 VOLUME1 表示成交量和均线周期数。

Python代码参考

以下是获取符合选股条件的股票列表并按个股涨幅从大到小排序的 Python 代码：

import tushare as ts
import pandas as pd
import talib as ta
import datetime

# 设置 Tushare Pro 的 token
token = 'your_token_here'
ts.set_token(token)

# 初始化 tushare pro 接口
pro = ts.pro_api()

# 获取符合选股条件的股票列表并按个股涨幅从大到小排序
result = []
for stock_code in pro.stock_basic(exchange='', list_status='L', is_hs='', fields='ts_code,symbol,market,industry,list_date')['ts_code']:

    # 获取当日股票数据
    data_today = pro.daily(ts_code=stock_code, trade_date='20220110', fields='ts_code,open,high,low,close,vol,amount')

    # 获取股票价格均线数据
    close_price = data_today['close'].values
    ma20 = ta.MA(close_price, timeperiod=20)
    ma120 = ta.MA(close_price, timeperiod=120)

    # 获取股票涨幅数据
    price_change = (data_today['close'].values - data_today['close'].values[0]) / data_today['close'].values[0] * 100

    # 判断 k 线数据是否符合选股条件
    dif_today, dea_today, macd_today = ta.MACD(close_price, fastperiod=12, slowperiod=26, signalperiod=9)
    am_volume = data_today['vol'].values[0] / 2
    pm_volume = pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110')['vol2'].values[0]

    if macd_today[-1] > 0 and am_volume / pm_volume > 1.3 and ma20[-1] > ma120[-1]:
        result.append((price_change[0], stock_code))

result.sort(reverse=True)
result = [x[1] for x in result]

# 获取选股股票所属的行业和企业性质
company_property = {'stock_code1': 'industry1', 
                    'stock_code2': 'industry2'}
result = [code for code in result if code in company_property.keys()]

print(result)

注：该代码仅供参考，真实情况中需要根据自己的实际需求进行调整。

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)

(同花顺量化)20日均线大于120日均线_、外盘除内盘大于1