问财量化选股策略逻辑
选股逻辑：在MACD指标零轴以上、涨跌幅×超大单净量、20日均线大于120日均线的股票中进行选股。
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
该选股逻辑采用了技术选股和趋势选股相结合的方式。MACD指标可以帮助选手判断趋势和转折点，涨跌幅×超大单净量可以反映市场成交量和买盘强弱，而20日均线和120日均线的比较可以反映当前股票的走势和短期趋势。
在市场上，技术选股的指标数不胜数，选手们可以对各种指标加以组合，将其作为选股标准。当然，在选股之前，选手还需要了解科技行业的发展趋势，判断未来市场的变化趋势，从而选出真正优质的科技股票。
有何风险？
该选股逻辑存在以下风险：
- 技术指标考虑不周，不能适用于所有股票；
- 均线选股方式比较简单，不考虑更多的市场因素和公司基本面等因素；
- 经济大环境的影响因素没有考虑，选出股票可能容易受整体经济波动影响。
如何优化？
以下是该选股策略的优化建议：
- 加入更多因素，如资金流向、市场情绪等方面的因素，提高综合判断能力；
- 通过历史股票的数据分析，找到与股票走势相关的特征和因素，增强选股策略的准确性；
- 细化股票分类标准，给予行业、公司规模、市值等因素的考虑，更加全方位地考虑股票的基本面；
- 根据市场情况、行业特点等，灵活调整选股策略。
最终的选股逻辑
选股策略：在MACD指标零轴以上、涨跌幅×超大单净量、20日均线大于120日均线的股票中进行选股。
同花顺指标公式代码参考
以下是MACD指标和均线指标的通达信指标公式：
MACD指标：
DIF = EMA(CLOSE,12) - EMA(CLOSE,26);
DEA = EMA(DIF,9);
MACD = (DIF - DEA) * 2;
20日均线(20MA)：
MA20 = MA(CLOSE,20);
120日均线(120MA)：
MA120 = MA(CLOSE,120);
涨跌幅(P_CHANGE)：
P_CHANGE = (CLOSE - REF(CLOSE,1))/REF(CLOSE,1)*100;
超大单净量(L)：
L = ((VOL/10000)ABS(CLOSE-REF(CLOSE,1))>=8000HHV(ABS(CLOSE-REF(CLOSE,1)),5)/AMOUNT)*SIGN(CLOSE-REF(CLOSE,1));
其中，REF为上一个交易日的收盘价，VOL为成交量，CLOSE为收盘价，HHV为最高价的 N 天的最高值，MA为移动平均线，AMOUNT为成交额。
Python代码参考
以下是获取符合选股条件的股票列表的 Python 代码：
import tushare as ts
import pandas as pd
import talib as ta
# 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
result = []
for stock_code in pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,mkt_cap')['ts_code']:
# 获取 MACD 指标和均线指标
df_macd = pro.daily(ts_code=stock_code, start_date='20211001', end_date='20211031')
dif = ta.EMA(df_macd['close'].values, 12) - ta.EMA(df_macd['close'].values, 26)
dea = ta.EMA(dif, 9)
macd = (dif - dea) * 2
ma20 = ta.MA(df_macd['close'].values, 20)
ma120 = ta.MA(df_macd['close'].values, 120)
# 获取涨跌幅×超大单净量
df_pe = pro.daily_basic(ts_code=stock_code, start_date='20211001', end_date='20211031')
p_change = (df_pe['close'] - df_pe['close'].shift()) / df_pe['close'].shift() * 100
big_vol = ((df_pe['vol'] / 10000) * abs(df_pe['close'] - df_pe['close'].shift()) >= 8000 * ta.HHV(abs(df_pe['close'] - df_pe['close'].shift()), 5) / df_pe['amount']) * ((df_pe['close'] - df_pe['close'].shift()) / abs(df_pe['close'] - df_pe['close'].shift())) * 100
# 判断是否符合选股条件
if macd[-1] > 0 and p_change[-1] > 0 and ma20[-1] > ma120[-1]:
result.append(stock_code)
print(result)
注：该代码仅供参考，真实情况中需要根据自己的需要进行调整。
## 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。
