选股逻辑
选股条件包括：振幅大于1、15分钟周期MACD绿柱变短、（昨日换手率 * （今日竞价成交量 / 昨日成交量））>0.5<2。
选股逻辑分析
振幅大于1可以找到波动性较大的股票，15分钟周期MACD绿柱变短可以反映出股票的走势即将发生变化，而（昨日换手率 * （今日竞价成交量 / 昨日成交量））>0.5<2则表示该股票昨日的成交活跃程度很高，并且今日竞价成交量相对较高，这可能表明市场对该股票的交易兴趣较高，并有望形成一定的市场热度。综合筛选可以找到既有波动性，又有即将反弹且存在市场热度的股票，提高选股的风险控制和收益率。
有何风险？
该选股策略可能会忽略一些基本面较好但短期走势较弱的股票机会。同时，（昨日换手率 * （今日竞价成交量 / 昨日成交量））可能会受到股票流通性以及当日市场情况等因素影响，需要谨慎做出投资决策。
如何优化？
可以结合基本面和技术面进行综合分析，加强对宏观经济和行业趋势的了解，以获得更全面和准确的股票选取依据。此外，可以结合机器学习、大数据分析等技术手段对历史数据进行挖掘和分析，利用更多的数据特征进行选股，进一步提高选股策略的准确性和精度。
最终的选股逻辑
选股条件包括：振幅大于1、15分钟周期MACD绿柱变短、（昨日换手率 * （今日竞价成交量 / 昨日成交量））>0.5<2。
同花顺指标公式代码参考
振幅大于1：IF(AMP > 1, 1, 0)
15分钟周期MACD绿柱变短：IF(BARSLAST(MACD() < 0 AND MACD() > REF(MACD(), 1)), 1, 0)
（昨日换手率 * （今日竞价成交量 / 昨日成交量））>0.5<2：IF(TURNOVER*VOL/TURNOVER[1]>0.5 AND TURNOVER*VOL/TURNOVER[1]<2, 1, 0)
综合筛选结果：IF(A AND B AND C, 1, 0)
python代码参考
import tushare as ts
from talib import abstract
# 获取所有股票数据
df_all = ts.get_today_all()
# 振幅大于1
df_filtered_by_amp = df_all[df_all['turnoverratio'] > 1]
# 15分钟周期MACD绿柱变短
df_k_data = ts.get_k_data('000001', '15')
df_k_data['MACD'], _, df_k_data['MACD_Hist'] = abstract.MACD(df_k_data, timeperiod_fast=12, timeperiod_slow=26, timeperiod_signal=9)
df_filtered_1 = df_filtered_by_amp.merge(df_k_data[['date', 'MACD_Hist']], on='date', how='inner')
df_filtered_1['short_macd'] = (df_filtered_1['MACD_Hist'] < 0) & (df_filtered_1['MACD_Hist'] > df_filtered_1['MACD_Hist'].shift())
# 昨日换手率 * （今日竞价成交量 / 昨日成交量）
df_realtime_quotes = ts.get_today_ticks('000001')
df_filtered_2 = df_filtered_1.merge(df_realtime_quotes[['time', 'volume']].groupby(df_realtime_quotes['time'].dt.date).sum()
.rename(columns={'volume': 'today_vol'})
.reset_index(), on='date', how='inner')
df_filtered_2['turnover'] = df_filtered_2['amount'] / df_filtered_2['volume']
df_filtered_2['yester_turnover'] = df_filtered_2['turnover'].shift(1)
df_filtered_2['yester_vol'] = df_filtered_2['volume'].shift(1)
df_filtered_2['yester_turnover'].fillna(0, inplace=True)
df_filtered_2['yester_vol'].fillna(0, inplace=True)
df_filtered_2['turnover_to_vol'] = df_filtered_2['yester_turnover'] * (df_filtered_2['today_vol'] / df_filtered_2['yester_vol'])
# （昨日换手率 * （今日竞价成交量 / 昨日成交量））>0.5<2
df_filtered_3 = df_filtered_2[df_filtered_2['turnover_to_vol'].between(0.5, 2)]
# 输出结果
df_final = df_filtered_3[['code', 'name', 'trade', 'changepercent', 'open', 'high', 'low', 'volume', 'amount', 'circ_mv']]
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。
