问财量化选股策略逻辑
选股逻辑：MACD指标零轴以上，归属母公司股东的净利润（同比增长率）大于20%小于等于100%，20日均线大于120日均线的股票。
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
本选股策略继续基于MACD指标和归属母公司股东的净利润，同时加入了均线指标，用于筛选具有稳健增长及趋势的股票。与前一个选股逻辑相比，本逻辑添加了均线指标，可以更好地筛选具备趋势性和稳健增长的股票。
有何风险？
该选股策略可能面临以下风险：
- 均线指标对于过于波动的股票可能产生较大误判。
- 依赖归属母公司股东的净利润，可能忽略掉未来发展潜力尚未显现的公司。
如何优化？
以下是几个改进该选股策略的建议:
- 结合其他技术指标，从不同角度筛选股票，提高选股策略的全面性和准确性。
- 优化均线指标的使用方法，避免过于依赖它对股票的判断。
- 同时使用增长性与价值性指标，综合衡量股票的价值，对于中长期投资更有意义。
最终的选股逻辑
选股策略：MACD指标零轴以上，归属母公司股东的净利润（同比增长率）大于20%小于等于100%，20日均线大于120日均线的股票。
同花顺指标公式代码参考
SELECT CODE,SECNAME FROM (
SELECT
CODE,SECNAME,
CROSS(MACD(12,26,9),0)>0,
YOY(NET_PROFIT,1) > 20/100 AND YOY(NET_PROFIT,1) <= 100/100,
MA(CLOSE, 20) > MA(CLOSE, 120),
INDUSTRY == "深证A股"
FROM
INDICDATA WHERE TRADEDATE>=REFDATE(NOW, -7) AND KIND='STK' AND MARKET='SZ' AND MINTIME='1'
AND REFDATE(NOW, -500) <= TRADEDATE)
WHERE 1=1 ORDER BY HEAT DESC LIMIT 100"
Python代码参考
# 初始化
def initialize(context):
set_benchmark('399106.XSHE')
# 获取所有股票
g.all_stocks = list(get_all_securities(types=['stock'], exchanges=['szse']).index)
# 每周运行选股逻辑
run_weekly(select_stocks, weekday=4, time_rule=market_open(hours=1))
# 选股逻辑
def select_stocks(context):
# 获取当前股票池
trash_stocks = list(filter(lambda s: not get_current_data()[s].is_trading, g.all_stocks))
stocks = list(set(g.all_stocks) - set(trash_stocks) - set(context.portfolio.positions.keys()))
# 遍历所有股票，进行选择
g.stock_dict = {}
for stock in stocks:
# 如果MACD指标零轴以下，跳过
dif, dea, macd = talib.MACD(get_price(stock, frequency='1d', count=200, end_date=context.previous_date, fields=['open', 'close', 'high', 'low']), fastperiod=12, slowperiod=26, signalperiod=9)
if macd[-1] <= 0:
continue
# 如果净利润同比增长率不过关，跳过
q1 = query(income.statDate, income.netProfitYoYRatio, stock.status).filter(
income.code == stock, income.statDate >= (get_today() - datetime.timedelta(days=365)))
data1 = get_fundamentals(q1)
if data1.empty or data1['net_profit_yoy_ratio'][0] <= 0.2 or data1['net_profit_yoy_ratio'][0] > 1:
continue
# 如果均线指标不符合要求，跳过
if get_price(stock, count=20, end_date=context.previous_date, fields='avg', frequency='1d')[-1] <= get_price(stock, count=120, end_date=context.previous_date, fields='avg', frequency='1d')[-1]:
continue
g.stock_dict[stock] = data1['net_profit_yoy_ratio'][0]
# 按照结果排序
high_value_stocks = sorted(g.stock_dict.keys(), key=lambda s: g.stock_dict[s], reverse=True)[:5]
if len(high_value_stocks) > 0:
buy_list = [(s, 1) for s in high_value_stocks]
else:
buy_list = []
# 调仓
adjust_position(context.portfolio.positions, buy_list, [], [])
## 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。
