振幅大于1、15分钟周期MACD绿柱变短、上市大于某一天数

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、上市大于某一天数。

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，而上市一定时间后，公司业务运营稳定，可以更加深入地分析该股票的财务、经营等方面的数据，降低投资风险。综合筛选可以找到既有波动性，又有即将反弹且存在成熟业务运营的股票，有效控制风险，提高收益率。

有何风险？

该选股策略可能会忽略一些行业和经济形势变化对公司盈利能力的影响，同时，上市时间长并不代表公司业务模式的稳定性和未来盈利的可预测性，需要谨慎做出投资决策。

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，可以结合机器学习、大数据分析等技术手段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、上市大于某一天数。

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)

上市大于某一天数：IF(DAYSSINCELISTED > N, 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())

# 上市时间大于某一天数
df_filtered_2 = df_filtered_1[df_filtered_1['timeToMarket'] <= 20000101]  # 以2000年1月1日为例，间隔时间为20年

# 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。