问财量化选股策略逻辑
选股逻辑：MACD指标零轴以上，今日上涨大于1%，属于主板股票，竞价涨幅在-2%到5%之间。
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
该选股策略基于技术面和基本面要素进行选择。首先选出MACD指标零轴以上的股票，再筛选今日股价上涨大于1%的主板股票，最后筛选要求竞价涨幅在-2%到5%之间的股票。
有何风险？
以下是该选股策略可能面临的风险：
- K线的图形很大程度上受到股票的活跃度及市场整体走势的影响，选择过于偏重技术面而忽略了一定程度上的基本面因素；
- 竞价涨幅并不一定代表涨势好；
- 仅使用股票竞价数据，未考虑到量价、流动性等因素；
- 选出的股票波动较大，风险较高。
如何优化？
以下是几个优化该选股策略的建议：
- 加入更多股票因素，以较为完整的方式考虑不同维度因素的影响，将技术面分析的重点放在K线趋势、定量指标和周期等方面；
- 统计竞价涨幅的平均值、标准差等指标，通过有效性、效率和风险控制的平衡选择最佳选股方案；
- 通过机器学习算法对技术因素和基本因素进行加权分析以提高正确率；
- 综合考虑量价、流动性等因素。
最终的选股逻辑
选股策略：MACD指标零轴以上，今日上涨大于1%，属于主板股票，竞价涨幅在-2%到5%之间。
同花顺指标公式代码参考
SELECT S_CODE
FROM STOCK_TRADING_DAY
WHERE
-- MACD指标零轴以上
MACD(S_CODE, 12, 26, 9) > 0
-- 今日上涨大于1%
AND (HIGH - S_REF(1, CLOSE))/S_REF(1, CLOSE) > 0.01
-- 属于主板股票
AND MARKET(S_CODE) LIKE '%主板%'
-- 竞价涨幅在-2%到5%之间
AND (OPEN/REF(CLOSE,1)-1)*100 <=5 AND (OPEN/REF(CLOSE,1)-1)*100 >= -2
Python代码参考
# 初始化
def initialize(context):
set_benchmark('000300.XSHG')
# 获取所有主板股票
g.all_stocks = []
for stock in get_index_stocks('000001.XSHG'):
g.all_stocks.append(stock)
# 每月运行一次选股逻辑
run_monthly(select_stocks, tradingday=1)
# 选股逻辑
def select_stocks(context):
selected_stocks = []
# 遍历所有股票，进行筛选
for stock in g.all_stocks:
# 如果MACD指标零轴以下，跳过
dif, dea, macd = talib.MACD(get_price(stock, frequency='1d', count=200, end_date=context.previous_date, fields=['open', 'close', 'high', 'low']), fastperiod=12, slowperiod=26, signalperiod=9)
if macd[-1] <= 0:
continue
# 如果今日上涨小于1%，或不属于主板股票或竞价涨幅不在-2%到5%之间，跳过
today_increase = (get_price(stock, count=2, end_date=context.current_dt, frequency='1d', fields=['close'])['close'][-1] - get_price(stock, count=2, end_date=context.current_dt, frequency='1d', fields=['close'])['close'][0]) / get_price(stock, count=2, end_date=context.current_dt, frequency='1d', fields=['close'])['close'][0]
if today_increase <= 0.01 or ('主板' not in get_security_info(stock).name) or ((get_price(stock, end_date=context.current_dt, frequency='1m', fields=['open', 'close'])['open'][0] / get_price(stock, count=2, end_date=context.current_dt, frequency='1d', fields=['close'])['close'][0] - 1) * 100 < -2 or (get_price(stock, end_date=context.current_dt, frequency='1m', fields=['open', 'close'])['open'][0] / get_price(stock, count=2, end_date=context.current_dt, frequency='1d', fields=['close'])['close'][0] - 1) * 100 > 5:
continue
selected_stocks.append({'stock': stock})
# 选出符合条件的前5只股票
g.selected_stocks = [item['stock'] for item in selected_stocks[:5]]
# 卖出不在筛选结果中的股票
for stock in context.portfolio.positions:
if stock not in g.selected_stocks:
order_target(stock, 0)
# 买入新选出的股票
for stock in g.selected_stocks:
if stock not in context.portfolio.positions:
order_target_value(stock, context.portfolio.total_value/5)
## 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。
