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、今日最大跌幅小于-4且大于-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，今日最大跌幅小于-4且大于-5可以反映出近期股票的弱势。这三个指标的综合筛选可以找到既有波动性，又有即将反弹的股票，同时具备一定的跌幅抵抗能力，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公司质量好但由于市场而短期压制的股票机会。同时，振幅大于1也可能会带来部分低市值的高风险股票，需要谨慎防范投资风险。
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、今日最大跌幅小于-4且大于-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)
今日最大跌幅小于-4且大于-5: IF(IFNULL((C-REF(C,1))/REF(C,1),0)<-0.04 AND IFNULL((C-REF(C,1))/REF(C,1),0)>-0.05, 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())
# 今日最大跌幅小于-4且大于-5
df_filtered_2 = df_filtered_1[(df_filtered_1['low'] / df_filtered_1['pre_close'] - 1 > -0.05) & (df_filtered_1['low'] / df_filtered_1['pre_close'] - 1 < -0.04)]
# 输出结果
df_final = df_filtered_2[['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。
