学习选股编程软件可以从以下几个步骤开始：
选择编程语言
Python：Python是一种简单易学且功能强大的编程语言，广泛应用于数据分析和机器学习领域。Python有丰富的金融数据处理库和算法库，例如Pandas、NumPy、Matplotlib和TA-Lib等，非常适合用于股票编程入门。
R语言：R语言是专门用于数据分析和统计建模的编程语言，拥有丰富的统计分析和机器学习函数库，如tidyquant、quantmod、tidyverse等，适合进行数据分析和策略回测。
MATLAB：MATLAB是一种专业的数值计算和数据分析软件，广泛应用于科学研究和工程领域，也适用于金融领域，提供了丰富的金融工具箱，包括时间序列分析、投资组合优化等功能。
学习基础编程知识
如果你选择Python，可以从基础的语法开始学习，掌握变量、数据类型、控制流、函数等基本概念。
如果选择R或MATLAB，也需要学习它们的基础语法和编程结构。
选择合适的库和工具
Python：可以使用Pandas进行数据处理，NumPy进行数值计算，Matplotlib进行数据可视化，TA-Lib进行技术指标计算。
R：可以使用quantmod进行数据获取和分析，TTR进行技术指标计算，PerformanceAnalytics进行性能评估。
MATLAB：可以使用Financial Toolbox和Trading Toolbox进行金融数据分析和交易策略开发。
学习编写选股策略
通过学习编程语言和工具，开始编写自己的选股策略。可以从简单的指标开始，如移动平均线、相对强弱指数（RSI）等，逐步掌握更复杂的策略。
可以使用现有的选股库和工具，如Python的Pyfolio和Zipline，R的TTR和quantmod，MATLAB的Financial Toolbox等，来辅助开发和测试策略。
回测和优化策略
编写好选股策略后，需要进行历史数据回测，评估策略的有效性。
根据回测结果，调整策略参数，进行优化，以提高策略的准确性和收益率。
学习和使用专业软件
除了编程语言和库，还可以使用专业的股票分析软件，如AmiBroker，它支持使用AmiBroker Formula Language （AFL）编写自定义的选股公式和策略规则，并进行实时数据分析和回测。
实践和模拟交易
在模拟交易环境中测试策略，熟悉交易流程和操作，避免在实际交易中犯错。
随着经验的积累，可以逐步尝试实盘交易，将策略应用于实际市场。
通过以上步骤，你可以逐步掌握选股编程软件的使用，并开发出自己的选股策略。建议从Python开始，因为它的语法简单易学，且有丰富的社区支持和资源。