问财量化选股策略逻辑
本选股策略选取振幅大于1、下午大单净流入和前天MACD＜0的股票作为选股标准，选出的个股视为投资标的。
选股逻辑分析
本选股策略在振幅大于1、下午大单净流入的基础上，加入了前天MACD＜0的筛选条件。MACD指标可以反映股票的中长期趋势，选取MACD＜0的个股，则更容易避免投资窗口期的错判。同时，相较于昨日涨停这个权重较低的剔除条件，MACD指标在技术面上更加精准，可以选出更有技术优势的股票。
有何风险？
本选股策略存在一定的风险。首先，前天MACD＜0这一条件可能被多位投资者所关注，导致市场竞争大，股票成交量大幅放大。同时，由于该策略在选股条件上进行了剔除操作，选出的个股并不具有绝对优势，市场风险可能加大。
如何优化？
对于选股策略的优化，可以关注更多指标，并充分考虑公司基本面、行业趋势等因素。比如加入市盈率、市净率、ROE、评级等指标，以评估企业的真实价值。同时，可以尝试对选取MACD指标进行不同的加权，以减少对短期的波动性干扰。
最终的选股逻辑
本选股策略在振幅大于1、下午大单净流入、前天MACD＜0三个筛选条件上进行选股，综合考虑短期、长期两方面的股票走势，筛选出一些基础面和技术面表现优秀的股票。在这个基础上，可以引入更多因素对股票进行综合评估。
同花顺指标公式代码参考
振幅大于1：
(HIGH - LOW) / PRE_CLOSE > 0.01
下午大单净流入：
C - O > (0.005 * V - MA(V, 3)) / 10000
前天MACD＜0：
NOT CROSS(MACD(12, 26, 9), MACDSIGNAL(12, 26, 9), 2, 1)
python代码参考
# 引入Tushare库
import tushare as ts
# 连接Tushare库
pro = ts.pro_api()
# 查询所有股票的数据
all_data = pro.stock_basic()
# 根据选股条件进行筛选
selected_stocks = []
for ts_code in all_data["ts_code"]:
# 获取股票数据
k_data = pro.daily(ts_code=ts_code, trade_date='2022-01-25')
macd = pd.Series(k_data.close).ewm(span=12).mean() - pd.Series(k_data.close).ewm(span=26).mean()
macd_signal = macd.ewm(span=9).mean()
if ts_code.startswith(("00", "30")) and \
(k_data.high - k_data.low).mean() / k_data.close.mean() > 0.01 and \
(k_data.close - k_data.open > ((0.005 * k_data.vol - pd.Series(k_data.vol).rolling(3).mean()) / 10000)).values[-1] and \
(~(macd > macd_signal)).values[-3]:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
选股策略通过Tushare库获取股票数据并进行筛选，使用rolling函数来实现选股筛选条件的计算。MACD和MACD信号线的计算使用ewm函数，更加简洁，避免了使用ENODE函数产生的数据不对齐问题。对于选股策略的后续优化，建议加入更多因素和补充指标，在技术面的基础上充分考虑公司基本面和行业趋势。
## 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。
