问财量化选股策略逻辑
选股逻辑为：振幅大于1，流通市值大于100亿元，MACD零轴以上。该选股策略从市场交易情况、公司基本面和技术面多方面考虑。
选股逻辑分析
该选股策略主要从市场交易情况、公司基本面和技术面多方面考虑。振幅和流通市值反映了市场交易情况，而MACD零轴以上则考虑了技术面的因素，即股票的短期走势。同时，该选股策略也对公司基本面和业绩情况进行考虑，是一个比较全面的选股策略。
有何风险？
该选股策略可能会因为过分追求技术面而忽略公司基本面和业绩情况。同时，由于MACD技术指标的不确定性，可能存在选股被误导的情况，增加了投资风险。此外，该选股策略可能挑选出市值较大、波动较小的蓝筹股，对于经验有限、资本较少的投资者，可能不适合。
如何优化？
除了考虑技术面的因素外，应该加强公司基本面和财务指标等多方面的分析，结合均线、RSI等技术指标，综合考虑。同时，要关注行业最新动态和趋势，进行长期布局，控制投资仓位，严格止盈止损，及时调整投资组合，减小风险。
最终的选股逻辑
选股条件为：振幅大于1，流通市值大于100亿元，MACD零轴以上。该选股策略从市场交易情况、公司基本面和技术面多方面考虑。
同花顺指标公式代码参考
C1: ABS((HIGH/LOW-1)*100)>=1; //振幅大于1
C2: CIRC_MV>100000; //流通市值大于100亿元
C3: MACD(12,26,9)>0; //MACD零轴以上
SYMBOL: C1 AND C2 AND C3;
python代码参考
import pandas as pd
import tushare as ts
def select_stocks(length):
ts.set_token('your_token')
pro = ts.pro_api()
# 获取所有股票数据
data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,name')
# 筛选符合条件的股票
df_list = []
for i in range(len(data)):
code = data.iloc[i]['ts_code']
# 判断是否符合要求
k_data = pro.daily(ts_code=code, start_date='20220101', end_date='20220601')
if k_data.empty:
continue
if abs((k_data.iloc[-1]['high'] / k_data.iloc[-1]['low'] - 1) * 100) < 1: # 振幅小于1
continue
circ_mv = pro.query('daily_basic', ts_code=code, trade_date=k_data.iloc[-1]['trade_date'], fields='circ_mv').iloc[0]['circ_mv'] # 流通市值
if circ_mv < 10000000000: # 流通市值小于100亿元
continue
tech_data = pro.query('daily_basic', ts_code=code, trade_date=k_data.iloc[-1]['trade_date'], fields='macd') # MACD指标
if tech_data.iloc[0]['macd'] < 0: # MACD小于零轴
continue
info = {}
info['ts_code'] = code
info['name'] = data.iloc[i]['name']
df_list.append(info)
# 随机选择一定数量的股票
selected_stocks = pd.DataFrame(df_list)
selected_stocks = selected_stocks.sample(n=length)
return selected_stocks
致辞
本次问答为选股逻辑：振幅大于1，流通市值大于100亿元，MACD零轴以上的问答。该选股策略从市场交易情况、公司基本面和技术面多方面考虑。所给出的通达信指标公式参考和python代码参考仅供参考，读者可以根据实际情况进行优化和修改。
## 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。
