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×超大单净量和100亿市值以内的无亏损企业中进行选股。
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
该选股逻辑同样采用了技术选股和基本面因素相结合的方式，在MACD指标零轴以上、涨跌幅×超大单净量和100亿市值以内的无亏损企业中进行选股，结合了股票的趋势和成交量、公司基本面等因素。
在之前选股逻辑的基础上，新增了市值和无亏损的限制条件，更加注重公司的成长性和盈利能力，避免选出未来潜力不足的标的。
有何风险？
该选股逻辑存在以下风险：
- 100亿市值以内的条件可能会忽略了很多高质量中小盘股；
- 超大单净量可能存在短期性，需要结合其他因素进行分析；
- 基本面选股中，无亏损并不代表盈利能力强，公司未来是否能维持盈利需要综合考量；
- 选股策略需要具有较强的灵活性和适应性，需要不断调整和改进。
如何优化？
以下是该选股策略的优化建议：
- 市值的限制条件需要更加具体和细化，结合行业和市场潜力等因素进行选股；
- 超大单净量需要综合考虑其他因素来判断股票投资价值；
- 基本面选股中需要更加注重盈利能力，可以加入其他财务指标进行判断；
- 选股策略需要具有较强的灵活性和适应性，需要不断调整和改进。
最终的选股逻辑
选股策略：在MACD指标零轴以上、涨跌幅×超大单净量和100亿市值以内的无亏损企业中选择符合标准的股票。
同花顺指标公式代码参考
以下是该选股逻辑中涉及到的通达信指标公式：
MACD指标公式：
DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA:EMA(DIF,M);
MACD:(DIF-DEA)*2;
涨跌幅和净量公式：
涨跌幅：(收盘价-上一个交易日收盘价)/上一个交易日收盘价×100%
超大单净量：大单买入量-大单卖出量
100亿市值限制条件：
market_cap <= 100000
无亏损企业条件：
q_profit > 0
通达信代码以60开头的选股筛选公式：
市值条件：(FLOATTOINT(CAPITALIZATION/100000000)<=100)
无亏损企业条件：(Q_PROFITT > 0)
最终选股条件：market_cap <= 100000 AND q_profit > 0
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', is_open='1', fields='ts_code,symbol')['ts_code']:
# 获取MACD指标
df_macd = pro.daily(ts_code=stock_code, start_date='20210101', end_date='20211231')
dif = ta.EMA(df_macd['close'].values, 12) - ta.EMA(df_macd['close'].values, 26)
dea = ta.EMA(dif, 9)
macd = (dif - dea) * 2
# 获取涨跌幅、大单净量和市值信息
df_pe = pro.daily_basic(ts_code=stock_code, start_date='20210101', end_date='20211231')
df_pe['p_change'] = (df_pe['close'] - df_pe['close'].shift()) / df_pe['close'].shift() * 100
df_pe['big_net_m'] = df_pe['buy_lg_net'] - df_pe['sell_lg_net']
df_pe['market_cap'] = df_pe['total_mv'] / 100000000
# 判断是否符合选股条件
if macd[-1] > 0 and df_pe['p_change'][-1] > 0 and df_pe['big_net_m'][-1]>0 and df_pe['market_cap'][-1] <= 100 and df_pe['q_profit'][-1] > 0:
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。
