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，换手率>2%且<9%。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
该选股逻辑相对于之前的选股逻辑新增了选股条件——换手率。换手率是衡量股票市场活跃程度的指标，结合 MACD、成交量等指标，通过股票的价格趋势和市场活跃程度选出潜在投资标的。
有何风险？
该选股逻辑存在以下风险：
- 换手率可能受到某些非业务因素的影响，因此如果单纯追求高换手率而忽略其他因素，可能会带来一定风险。
- 过度解读 MACD 和成交量等指标可能会导致过度乐观或悲观，忽略股票的基本面和市场情况，影响选股效果。
- 只对当前日期的数据进行分析，没有考虑股票的长期交易趋势，这可能导致选股策略的不稳定性。
如何优化？
以下是该选股策略的优化建议：
- 在选择换手率条件时，可以根据所处的市场情况和行业特征等因素进行合理的调整。
- 更全面地考虑股票的基本面和市场情况等因素，通过股票的市盈率、市净率、杠杆率等指标来综合判断，提高选股的准确性。
- 更加注重长期股票交易趋势的分析，通过更多数据进行筛选和优化，提高选股的稳定性。
最终的选股逻辑
经过分析和优化，我们最终得出的选股策略为：macd零轴以上，外盘/内盘大于1.3，换手率>2%且<9%。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。
同花顺指标公式代码参考
以下是通达信中以 MACD 为基础的选股公式：
C := REF(CLOSE, 1);
DIF := EMA(CLOSE, SHORT) - EMA(CLOSE, LONG);
DEA := EMA(DIF, MID);
MACD := (DIF - DEA) * 2;
FILTER : (MACD > 0) AND (HSL > HSL2 AND VOLUME > VOLUME1 AND BIGVOLUME > BIGVOLUME1 AND BIGMONEY > BIGMONEY1 AND TURNOVER >= 0.02 AND TURNOVER <= 0.09);
SIGNAL : SORTBY(ROC(CLOSE, 5));
WITHIN(FILTER);
注：其中，SHORT、LONG、MID、HSL、HSL2、VOLUME、VOLUME1、BIGVOLUME、BIGVOLUME1、BIGMONEY、BIGMONEY1等参数需要根据实际情况进行调整。这里新增了 TURNOVER 表示换手率。
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')['ts_code']:
# 获取当日股票数据
data_today = pro.daily(ts_code=stock_code, trade_date='20220110', fields='ts_code,open,high,low,close,vol,amount,turnover_rate')
# 获取MACD指标数据
close_price = data_today['close'].values
dif_today, dea_today, macd_today = ta.MACD(close_price, fastperiod=12, slowperiod=26, signalperiod=9)
# 判断 k 线数据是否符合选股条件
am_volume = data_today['vol'].values[0] / 2
pm_volume = pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110')['vol2'].values[0]
big_money = pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110', fields='buy_sm_vol,sell_sm_vol,buy_md_vol,sell_md_vol,buy_lg_vol,sell_lg_vol')['buy_lg_vol'].values[0] - pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110', fields='buy_sm_vol,sell_sm_vol,buy_md_vol,sell_md_vol,buy_lg_vol,sell_lg_vol')['sell_lg_vol'].values[0]
big_volume = pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110', fields='buy_lg_vol,sell_lg_vol')['buy_lg_vol'].values[0] + pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110', fields='buy_md_vol,sell_md_vol')['buy_md_vol'].values[0] + pro.moneyflow(ts_code=stock_code, start_date='20220110', end_date='20220110', fields='buy_sm_vol,sell_sm_vol')['buy_sm_vol'].values[0]
if macd_today[-1] > 0 and am_volume / pm_volume > 1.3 and big_money > 0 and big_volume > 0 and 0.02 <= data_today['turnover_rate'].values[0] <= 0.09:
price_change = (data_today['close'].values[-1] - data_today['close'].values[0]) / data_today['close'].values[0] * 100
result.append((price_change, stock_code))
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。
