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,规模2亿以上。在符合以上所有选股条件的股票中，按个股热度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
该选股策略在符合前两个条件的股票基础上，加入了规模限制条件，避免过小的股票造成偏差。规模可以评估公司的资本实力和投资价值，能够在一定程度上减小风险，提高选股准确性。
有何风险？
该选股策略存在以下风险：
- 规模可能无法直接反映公司的盈利能力和未来增长潜力。
- 规模的选择可能过于主观，难以确定一个具有代表性的范围。
- 程序中的规模数据需要对所有股票进行分类判断，这一过程可能会有一定的误差。
如何优化？
以下是该选股策略的优化建议：
- 将规模转化为相应的财务指标（如总资产、净资产等），更直接反映公司的投资价值。
- 通过大量的历史数据对规模进行区间范围的确定，提高选股的准确性。
- 通过分类算法对股票进行更加准确的判断，提高选股结果准确性。
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,规模2亿以上的股票。在符合以上所有选股条件的股票中，按个股热度从大到小排序作为选股结果。
同花顺指标公式代码参考
下面是通达信中以 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;
HSL:=MA(VOL,HSL2);
BOLLUP:MA(CLOSE,MB)+BOLL*KD;
BOLLDOWN:MA(CLOSE,MB)-BOLL*KD;
FILTER:(MACD>0) AND (HSL/HSL2>1.3) AND
(INLIST(MARKET,1,2)) AND
(MCAP>=200000000);
SIGNAL: SORTBY(HSL/HSL2);
WITHIN(FILTER, SIGNAL<50);
注：其中的 MCAP 是规模的缩写，HSL 和 HSL2 分别表示外盘和内盘均线周期数。
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热度从大到小排序的 Python 代码：
import tushare as ts
import pandas as pd
import talib as ta
import datetime
# 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热度从大到小排序
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='20220111', fields='ts_code,open,high,low,close,vol,amount')
# 获取当前股票市值
data_valuation = pro.daily_basic(ts_code=stock_code, trade_date='20220111',
fields='ts_code,total_mv,circ_mv')
if data_valuation.empty:
continue
mcap_today = data_valuation.iloc[0]['total_mv']
# 判断规模是否符合选股条件
if mcap_today >= 200000000:
# 获取上午和下午的成交量
am_volume = data_today['vol'].values[0] / 2
pm_volume = pro.moneyflow(ts_code=stock_code, start_date='20220111', end_date='20220111')['vol2'].values[0]
# 计算当日 macd
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
if macd_today[-1] > 0 and am_volume / pm_volume > 1.3:
# 获取个股热度排名
hot_rank = pro.top_list(trade_date='20220111')['ts_code'].tolist().index(stock_code)
result.append((hot_rank, stock_code))
result.sort()
result = [x[1] for x in result]
# 获取选股股票所属的行业和企业性质
company_property = {'stock_code1': 'industry1',
'stock_code2': 'industry2'}
result = [code for code in result if code in company_property.keys()]
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。
