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、前日实际换手率在3%至28%之间。
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，前日实际换手率在3%至28%之间可以找到具有一定市场活跃度的股票，综合运用可以找到具备波动性、走势性和市场活跃度的股票，提高选股的成功率。
有何风险？
该选股策略仅从技术面和市场活跃度进行选股，而未考虑公司的基本面分析，可能会忽略一些重要的公司信息，可能会影响选股的全面性。
如何优化？
可以对公司的基本面信息进行更全面的分析和研判，如利润增长、市盈率等指标，从而更全面地了解一家公司的内外部情况。同时，可以添加更多的技术分析指标，如动能指标、RSI指标等等，提高选股策略的准确性和精准性。
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、前日实际换手率在3%至28%之间。
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)
前日实际换手率在3%至28%之间：IF(TURNOVER > 3 AND TURNOVER < 28, 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())
# 前日实际换手率在3%至28%之间
df_filtered_2 = df_filtered_1[df_filtered_1['turnoverratio'].shift() > 3]
df_filtered_3 = df_filtered_2[df_filtered_2['turnoverratio'].shift() < 28]
# 输出结果
df_final = df_filtered_3.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。
