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、机构抄底。
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，机构抄底可以理解为有大量主力资金在低价位买入，可以提高股票未来的涨幅潜力。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？
该选股策略仍然较为依赖市场主流资金的热点和机构资金操作的预测，可能会忽略一些潜在的优质股票出现的机会。同时，机构抄底的选股条件较为严苛，可能会导致选股结果较少，存在一定的风险和不确定性。
如何优化？
可以结合龙头股和成长股的选股策略，不仅考虑市场热点资金的流动方向，同时也考虑一些中长期投资价值的潜在股票。可以采用机器学习等方法，基于历史数据和市场资金的流动方向来进一步优化选股策略，提高选股的准确率和精度。
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、机构抄底。
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)
机构抄底：机构买入量大于二级市场交易总量的60%：IF(BIGVOL > VOLUME * 0.6, 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())
# 机构抄底
df_filtered_2 = pd.merge(df_filtered_1, ts.inst_detail(), on='code', how='left')
df_filtered_3 = df_filtered_2[df_filtered_2['buy_l'].notnull()]
df_filtered_3['big_volume'] = (df_filtered_3['buy_l'] > df_filtered_3['volume'] * 0.6)
# 输出结果
df_final = df_filtered_3[df_filtered_3['big_volume'] == True].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。
