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、按今日竞价金额排序前5。
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，按今日竞价金额排序前5可以识别出市场主流资金的热点，从而提高选股的准确率和精度。
有何风险？
该选股策略强烈依赖于市场主流资金的热点，可能会忽略其他潜在的优质股票出现的机会，从而导致选出的股票走势不尽如人意。同时，竞价金额排序可能会受到市场波动和散户资金等多种因素的影响，从而影响选股策略的可靠性和稳定性。
如何优化？
可以考虑引入更多的技术指标，如RSI、趋势线等指标，同时可以采用机器学习等方法，根据历史数据和市场资金的流动方向来优化选股策略，从而提高选股的准确率和精度。同时，可以将选股策略纳入到投资组合中，进行额外的风险分散和收益提升。
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、按今日竞价金额排序前5。
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)
按竞价金额排序前5：RANK(BIDVOLUME, 1) < 6
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())
# 按竞价金额排序前5
df_sorted_by_bidVolume = df_filtered_1.sort_values(by=['bid', 'vol'], ascending=False)
df_filtered_2 = df_sorted_by_bidVolume[df_sorted_by_bidVolume['rank'] < 6]
# 输出结果
df_final = df_filtered_2.sort_values(by=['amount'], ascending=False)[['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。
