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、竞价涨幅＞-2＜5的股票。
选股逻辑分析
该选股策略结合了技术面和市场情绪两个方面的指标，振幅大于1可以找到波动性较大的股票，15分钟周期MACD绿柱变短可以反映股票的走势即将发生变化，竞价涨幅则可以反映市场情绪中的短期强弱关系。通过综合以上指标，可以找到具备较好投资潜力的股票。
有何风险？
该选股逻辑对技术面指标的依赖较为明显，可能会忽略一些存在较好投资价值但技术面表现不理想的股票。同时，竞价涨幅是一份短期的市场情绪指标，容易受到短期利好利空等因素的影响，且不具备长期投资价值。因此，需要结合更多指标进行判断，以免对市场形势认识过于片面。
如何优化？
可以考虑引入更多市场情绪指标，如资金流向、板块涨跌等指标，加强对市场情绪方面的考虑。同时，针对技术面的局限性，可以加入其他技术面指标，如移动平均线、布林线等等，以保证投资策略的全面性和可靠性。
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、竞价涨幅＞-2＜5的股票。
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)
竞价涨幅：IF(CHANGE_RATE > -2 AND CHANGE_RATE < 5, 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()
df_filted_by_amp = df_all[df_all['turnoverratio'] > 1] # 振幅大于1
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_filted_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())
df_filtered_2 = df_filtered_1.merge(df_all[['code', 'changepercent']], on='code', how='inner')
df_filtered_3 = df_filtered_2[df_filtered_2['changepercent'] > -2]
df_filtered_4 = df_filtered_3[df_filtered_3['changepercent'] < 5]
df_filtered_5 = df_filtered_4.sort_values(by=['amount'], ascending=False)
# 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。
