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、近25个交易日有单日涨幅大于等于百分之10的情况下进行选股。
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市场约束相结合的方式，在MACD指标零轴以上、涨跌幅×超大单净量的基础上，加入了近25个交易日有单日涨幅大于等于百分之10的条件进行选股。这意味着该股票具有一定的技术上涨动力。
综合以上条件，选出的股票可能具备相对于市场整体的超额收益能力。
有何风险？
该选股逻辑存在以下风险：
- 近25个交易日有单日涨幅大于等于百分之10并不一定代表股票价格会上涨，还需要结合其他因素进行判断；
- 选股逻辑需要在实践中不断优化，增强筛选股票的有效性；
- 需要注意过度追求技术上涨动力的股票，也有可能存在一定的风险。
如何优化？
以下是该选股策略的优化建议：
- 在加入涨幅大于等于百分之10条件的同时结合其他技术指标如KDJ、RSI等进行分析；
- 考虑加入市场环境、行业趋势等因素进行筛选股票；
- 选股策略需要具备较强的灵活性，需要根据实际情况进行调整和完善。
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、近25个交易日有单日涨幅大于等于百分之10的情况下进行选股。
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指标公式同上。
涨跌幅和净量公式同上。
单日涨幅公式：可以根据当日收盘价和前一交易日收盘价的差值除以前一交易日收盘价，来计算股票的单日涨幅，例如，当日收盘价为10元，前一交易日收盘价为9元，则单日涨幅为(10元-9元)÷9元=11.11%。
通达信代码以60开头的选股筛选公式：
在MACD() > 0 AND BUY_L-Sell_L>0 AND (CLOSE>MA(CLOSE,120) AND REF(CLOSE/DELAY(CLOSE,1),1)>1 AND KDJ() AND STOCHRSI.D>STOCHRSI.J AND STOCHRSI.D>STOCHRSI.D.REF AND STOCHRSI.D.REF<=20 AND STOCHRSI.D>=20 AND STOCHRSI.D.REF<=STOCHRSI.J.REF AND LLV(MIN(LOW,45),27)==REF(LLV(MIN(LOW,45),27),1)) AND (CLOSE/REF(CLOSE,25)>1.1) 的条件下选股。
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、单日涨幅等信息
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']
cp = (df_pe['close'] / df_pe['close'].shift(24) - 1) > 0.1
# 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 cp.iloc[-1]:
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。
