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、非ST（10点之前选股）、五部涨停战法。
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，非ST和涨停战法可以找到当前市场热点和资金活跃股票，同时10点之前选股可以更早发现并抓住市场机会。综合这些因素进行选股，可以提高选股的准确率和收益效果。
有何风险？
该选股策略过于依赖市场主流资金的流向和机构资金的操作，可能会忽略一些潜在的优质股票出现机会。同时，过于追求短期内的涨幅，可能会忽略股票的长期价值，带来投资上的风险。
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，可以使用人工智能和机器学习等方法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、非ST（10点之前选股）、五部涨停战法。
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)
非ST股票：IF(SUF('000','ST') == '', 1, 0)
涨停战法：IF(HIGH == HIGHLIMIT, 1, 0)
综合筛选结果：IF(A AND B AND C AND D, 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())
# 非ST股票
df_filtered_2 = df_filtered_1[df_filtered_1['name'].str.contains('ST') == False]
# 涨停战法
df_filtered_3 = ts.cap_tops()
df_filtered_3['top'] = (df_filtered_3['reason'].str.contains('5日') & df_filtered_3['reason'].str.contains('涨停'))
df_filtered_4 = df_filtered_2.merge(df_filtered_3[['code', 'top']], on='code', how='left')
# 选择10点之前涨停次数最多的5只股票
df_filtered_5 = df_filtered_4[df_filtered_4['top'] == True].sort_values(by=['time'], ascending=True).groupby(by=['code']).head(5)
# 输出结果
df_final = df_filtered_5[['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。
