问财量化选股策略逻辑
选股逻辑：在MACD指标零轴以上的基础上，结合涨跌幅×超大单净量和竞价主力净买大于0作为辅助指标，选取符合要求的股票。
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
该选股策略首先筛选MACD指标零轴以上的股票，其次结合涨跌幅×超大单净量和竞价主力净买大于0作为辅助指标选取符合要求的股票。MACD指标可以反映出股票价格走势的变化，涨跌幅×超大单净量可以反映资金的流入情况，而竞价主力净买则可以反映出主力资金的追买力度。
有何风险？
以下是该选股策略可能面临的风险：
- 过多依赖量化指标，忽略股票基本面因素；
- 存在一定的主观性，例如对竞价主力的判断存在一定的主观性；
- 经济、政策及市场等外部因素的影响，可能会导致选股与预期结果的差距。
如何优化？
以下是该选股策略的优化建议：
- 引入更多股票基本面指标，例如ROE、净利润、营收增长率等，尽可能多地综合考虑多重因素；
- 对判断竞价主力的方法进行科学合理的方式，以提高判断的客观性；
- 加入相应的止盈止损机制，以避免盈利逐渐流失。
最终的选股逻辑
选股策略：MACD指标零轴以上，涨跌幅×超大单净量以及竞价主力净买大于0进行投资决策。
同花顺指标公式代码参考
以下是MACD指标的通达信指标公式:
短期指数平滑移动平均线（SHORT）：EMA(CLOSE,SHORT)；
长期指数平滑移动平均线（LONG）：EMA(CLOSE,LONG)；
选定周期内平滑异同平均线（DIF）：EMA(CLOSE,SHORT)-EMA(CLOSE,LONG)；
平滑异同平均线（DEA）：EMA(DIF,MID);
MACD柱状图：(DIF-DEA)*2,COLORSTICK；
以下是涨跌幅×超大单净量的通达信指标公式：
涨跌幅（P_CHANGE）：(CLOSE-CLOSE[N])/CLOSE[N]*100；
超大单净量（BIGVOL）：((VOL/10000)>=100)VOL((CLOSE-PREV)/CLOSE)*100；
其中，N为选定的时间周期，PREV为前一交易日收盘价，VOL为成交量，CLOSE为收盘价。
以下是竞价主力净买的通达信指标公式：
当日竞价主力买入总量（BAVOL）：IF(B1-V1>0,B1-V1,0)；
当日竞价主力卖出总量（SAVOL）：IF(V1-B1>0,V1-B1,0)；
当日竞价主力净买总量（JLJ净买）：BAVOL-SAVOL；
其中，B1和V1分别为竞买一和竞卖一的委托量。
Python代码参考
以下是获取满足选股条件的股票列表的Python代码：
import tushare as ts
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()
# 获取股票代码
stock_codes = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')
# 获取符合选股条件的股票列表
result = []
for code in stock_codes['ts_code']:
# 获取MACD指标
df_macd = pro.daily(ts_code=code, start_date='20210801', end_date='20210831')
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×超大单净量
df_vol = pro.moneyflow(ts_code=code, start_date='20210801', end_date='20210831')
p_change = (df_vol['close'] - df_vol['close'].shift()) / df_vol['close'].shift() * 100
big_vol = ((df_vol['vol'] / 10000) >= 100) * df_vol['vol'] * ((df_vol['close'] - df_vol['pre_close']) / df_vol['close']) * 100
# 获取竞价主力净买
df_1min = pro.futures_bar(ts_code=code, freq='1min', start_date='20210901', end_date='20210930')
bavol = (df_1min['b1_v'] - df_1min['v1']) * (df_1min['b1_p'] / (df_1min['b1_p'] + df_1min['a1_p']))
savol = (df_1min['v1'] - df_1min['b1_v']) * (df_1min['a1_p'] / (df_1min['b1_p'] + df_1min['a1_p']))
jl = bavol - savol
# 判断是否符合条件
if macd[-1] > 0 and p_change[-1] > 0 and big_vol[-1] > 0 and jl[-1] > 0:
result.append(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。
