问财量化选股策略逻辑
选股逻辑为振幅大于1，20日均线大于120日均线，15分钟周期MACD绿柱变短。将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。
选股逻辑分析
该选股策略主要通过以下几个条件筛选股票：
- 振幅大于1，说明该股票存在较大波动性，有更高的交易机会；
- 20日均线大于120日均线，说明该股票处于上涨趋势；
- 15分钟周期MACD绿柱变短，说明股票短期内可能出现反弹。
有何风险？
以下是该选股策略可能产生的风险：
- 过度追求高波动性，导致风险和波动性过高；
- 短期技术指标可能不适合长期投资，导致长期收益不佳。
如何优化？
为降低以上可能产生的风险，可以考虑以下优化措施：
- 寻找波动性适中、交易量稳定的股票；
- 与长期趋势相符合的阶段指标可以与短期技术指标相互印证，减少选出异常的股票。
最终的选股逻辑
经过上述优化，得到以下完善版的选股逻辑：
- 振幅大于1，20日均线大于120日均线；
- 寻找波动性适中、交易量稳定的股票，同时挑选与长期趋势相符的股票；
- 15分钟MACD绿柱变短，并结合其他技术指标验证，即可选出短期反弹的股票。
注：以上选股逻辑仅供参考，具体根据实际需求和风险承受能力进行调整。
同花顺指标公式代码参考
以下是同花顺的相关代码：
/* 将具体选股条件填充至筛选公式中 */
SELECT
/* 振幅大于1，20日均线大于120日均线 */
AMPLITUDE >= 1 AND MA(CLOSE, 20) >= MA(CLOSE, 120) AND
/* MACD绿柱缩小 */
EMA(CLOSE,12)-EMA(CLOSE,26) <= REF(EMA(CLOSE,12)-EMA(CLOSE,26),1) AND
EMA(EMA(CLOSE,12)-EMA(CLOSE,26),9) <= REF(EMA(EMA(CLOSE,12)-EMA(CLOSE,26),9),1)
ORDER BY
CLOSE DESC
注：以上代码需要在同花顺的选股界面中进行填充，具体使用方法可以参考同花顺的使用说明。
python代码参考
以下是python代码的参考：
import baostock as bs
import talib
import pandas as pd
def stock_selection():
#### 登陆系统 ####
lg = bs.login()
#### 获取沪深A股历史K线数据 ####
rs = bs.query_history_k_data_plus("sh.600000", "date,code,open,high,low,close,volume,turn", start_date='2020-01-01', end_date='2021-03-31', frequency="d", adjustflag="2")
#### 获取结果集 ####
stock_data = rs.get_data()
#### 计算振幅、20日均线和120日均线 ####
stock_data['AMPLITUDE'] = (stock_data['high']-stock_data['low']) / stock_data['close'].shift(1) * 100
stock_data['MA20'] = stock_data['close'].rolling(20).mean()
stock_data['MA120'] = stock_data['close'].rolling(120).mean()
#### 选取振幅大于1，20日均线大于120日均线的股票 ####
selected_stock = stock_data[(stock_data['AMPLITUDE'] > 1) & (stock_data['MA20'] > stock_data['MA120'])]
#### 计算15分钟MACD ####
#### 获取15分钟K线数据 ####
rs = bs.query_history_k_data_plus("sh.600000", "date,time,code,open,high,low,close,volume", start_date='2021-06-01', end_date='2021-06-30', frequency="5", adjustflag="2")
k_data = rs.get_data()
#### 计算MACD，并找出绿柱缩小的股票 ####
k_data['MACD'], k_data['MACDsignal'], k_data['MACDhist'] = talib.MACD(k_data['close'], fastperiod=12, slowperiod=26, signalperiod=9)
selected_k_data = k_data[(k_data['MACDhist'] < k_data['MACDhist'].shift(1)) & (k_data['MACDhist'] < k_data['MACDhist'].shift(2))]
#### 股票数据与K线数据匹配，选出符合条件的股票 ####
selected_stock = pd.merge(selected_stock, selected_k_data[['date', 'code']], on='date', how='inner')['code']
#### 登出系统 ####
bs.logout()
return selected_stock
注：以上python代码需要安装baostock、talib、pandas等库，仅供参考，具体根据实际需求和风险承受能力进行调整。
## 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。
