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、连续3天以上大单净量大于0.05。
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，而连续3天以上大单净量大于0.05可以反映出资金持续流入的趋势。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，连续的大单净量的解读和判断存在一定的主观性和不确定性，可能会导致选股结果的偏差。
如何优化？
可以结合市场热点、龙头股和行业趋势等因素进行综合分析，加强对宏观经济和市场动态的了解，以获得更全面和准确的股票选取依据。此外，通过数据挖掘、机器学习等方法，基于历史数据和市场资金流动方向的分析，来进一步优化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、连续3天以上大单净量大于0.05。
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)
大单净量：IF(NETVOLUME > 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())
# 连续3天以上大单净量大于0.05
df_filtered_2 = pd.merge(df_filtered_1, ts.get_sina_dd('000001', date='2018-07-31', vol=1000), on='code', how='left')
df_filtered_2['vol_last3'] = df_filtered_2.groupby(['code', 'date'])['net'].apply(lambda x: x.rolling(window=3).sum())
df_filtered_2['big_volume'] = (df_filtered_2['vol_last3'] > 0.05)
# 输出结果
df_final = df_filtered_2[df_filtered_2['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。
