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1.3，100亿市值以内的无亏损企业。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MACD指标和量价关系进行综合判断，同时考虑了市值和盈利状况，结合了一定的投资时段诉求，即在一定时间范围内获取合适的回报。选股逻辑中的“无亏损企业”条件，是基于盈利能力对企业进行初步筛选，削减了一些风险较高的企业。但该选股逻辑未考虑其他公司基本面信息，可能存在一定的风险。
有何风险？
该选股逻辑存在以下风险：
1.未考虑公司整体基本面信息对筛选结果的影响，选股结果可能与公司实际价值存在差异；
2.忽略了股票走势的长期趋势，可能造成选股结果的不稳定性；
3.市值、盈利等条件仅是初步筛选条件，无法覆盖所有的风险因素。
如何优化？
以下是该选股策略的优化建议：
1.细化各项选股条件，如根据公司经营状况、估值水平等指标进行筛选，提高筛选准确度；
2.同时考虑股票的中长期走势，如考虑多个区间内的涨跌幅、股价波动等情况，提高选股稳定性；
3.引入新的筛选条件，如公司股权结构、竞争优势等因素，进行综合选股。
最终的选股逻辑
经过分析和优化，我们得出的选股逻辑为：macd零轴以上，外盘/内盘大于1.3，100亿市值以内的无亏损企业。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的结果作为选股结果。
同花顺指标公式代码参考
以下是同花顺中以 MACD 和 VOLUME 为基础，并加入市值条件的选股公式：
C1:=REF(CLOSE,1);
M:=3;N:=12;P:=9; //默认值
SELECT(SUBSTR(SYMBOL, 1, 2) != "3" AND MACD(CLOSE,SHORT,LONG)>0 AND TDXVOL / DDIVOL >= 1.3 AND CIR_MAR_CAP < 100000 AND PARENT_NETPROFIT > 0, SYMBOL);
注：其中，SHORT、LONG 等参数需要根据实际情况进行调整。
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
# 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,cir_mar_cap')['ts_code']:
# 股票代码不以3开头
if stock_code.startswith('3'):
continue
# 获取最新的股票数据和公司基本面信息
data = pro.daily(ts_code=stock_code, start_date='20220301', end_date='20220318', fields='open,high,low,close,trade_date')
if data.empty:
continue
fundamental = pro.fina_indicator(ts_code=stock_code, start_date='20201231', end_date='20201231', fields='parent_netprofit')['parent_netprofit'].values[0]
# 获取 MACD 指标数据
close_price = data['close'].values
dif, dea, macd = ta.MACD(close_price)
# 判断股票是否符合选股条件
if macd[-1] > 0:
am_volume = pro.moneyflow(ts_code=stock_code, start_date='20220318', end_date='20220318', fields='vol', interval='1m')['vol'].values[0] / 2
pm_volume = pro.moneyflow(ts_code=stock_code, start_date='20220318', end_date='20220318', fields='vol', interval='1m')['vol'].values.sum() - am_volume
if am_volume / pm_volume > 1.3:
if fundamental > 0 and pro.daily_basic(ts_code=stock_code, trade_date='20220318', fields='circ_mv')['circ_mv'].values[0] < 100000000:
price_change = (data['close'].values[-1] - data['close'].values[-11]) / data['close'].values[-11] * 100
result.append((price_change, stock_code))
print(stock_code, price_change)
result.sort(reverse=True)
result = [x[1] for x in result]
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。
