问财量化选股策略逻辑
选股逻辑：振幅大于1, 底部抬高, 前天MACD＜0。
选股逻辑分析
该选股逻辑综合运用了技术面指标和市场情绪指标，振幅大于1、底部抬高能够反映出一定的技术面趋势，而前天MACD＜0则考虑到了市场情绪方面的影响。这样一来，可以更全面、更准确地筛选出具有潜在增长空间的股票。但是，由于具体参数的影响，选股效果也不可避免地存在一定的波动。
有何风险？
这一选股策略在考虑技术面和市场情绪之外，并没有充分引入股票基本面指标，容易忽视股票的基本面情况。此外，该选股策略的具体参数需要根据市场情况和时间周期进行调整，如果选取的参数不合理，可能会导致选股结果不准确。
如何优化？
为了提高该选股逻辑的关注重点和有效性，建议结合其他指标进行更细致的量化分析。例如加入成交量、均线、RSI等技术面指标，并结合市盈率、市净率等基本面指标，进一步提高选股的准确性。同时，可加强对参数的优化和调整，以适应不同市场环境和不同周期下的选股需求。
最终的选股逻辑
综上，完善的选股逻辑如下：
1.振幅大于1；
2.底部抬高；
3.前天MACD＜0；
4.综合考虑其他技术面指标和基本面指标。
同花顺指标公式代码参考
以下是同花顺实现该选股策略的指标公式代码：
C1 = AMP() > 1;
C2 = BOTTOM(HIGH, 2) > BOTTOM(HIGH, 3) > BOTTOM(HIGH, 4);
C3 = REF(MACD(12, 26, 9), 2) < 0;
SELECTOR = C1 AND C2 AND C3;
RESULT = SELECTOR;
Python代码参考
以下是Python实现该选股策略的部分代码：
# 筛选符合条件的股票
def select_stocks(start_date, end_date):
selected_stocks = []
for stock in stocks:
# 获取该股票在指定时间内的历史K线数据
df_kline = get_price(stock, start_date=start_date, end_date=end_date, frequency='daily', fields=['open', 'high', 'low', 'close', 'volume'], skip_paused=True, fq='pre')
# 计算振幅和底部抬高指标，判断是否符合选股逻辑
c1 = df_kline['high'].std() > 1
c2 = BOTTOM(df_kline['high'], 2) > BOTTOM(df_kline['high'], 3) > BOTTOM(df_kline['high'], 4)
# 计算MACD指标，判断是否符合选股逻辑
c3 = MACD(df_kline, 12, 26, 9).shift(2) < 0
# 判断是否符合选股逻辑
if c1 and c2 and c3:
selected_stocks.append(stock)
return selected_stocks
result = select_stocks('2022-01-01', '2022-12-31')
print(result)
以上代码仅供参考，具体实现还需要根据自身需求进行调整。
## 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。
