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、涨跌幅与超大单净量相乘后大于5000的股票。
选股逻辑分析
该选股逻辑综合考虑了技术面和资金面因素。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，涨跌幅与超大单净量相乘可以反映资金对股票的看好程度。通过综合考虑技术面和资金面，可以有效地选择出有望产生短期投资获利的股票。
有何风险？
尽管选股策略考虑了多个因素，但仍存在股票价格中其他影响因素的冲击。同时，该选股逻辑需注意风险控制和资金管理，避免盲目跟进高换手率、高净买入的股票。
如何优化？
可通过增加其他技术面或基本面指标，如KDJ、均线金叉等，以构建更全面的选股策略。同时，可结合机器学习等技术，寻求更强的选股能力。
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、涨跌幅与超大单净量相乘后大于5000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)
涨跌幅：CHG
超大单净量：VOL * (BUY_L - SELL_L) / 100000000
综合筛选结果：IF(A AND B AND (CHG * VOL * (BUY_L - SELL_L) / 100000000) > 5000,1,0)
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()
# 挑选符合条件的股票
df_filted_by_amp = df_all[df_all['turnoverratio'] > 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[['code','name','changepercent','volume','buy','sell']]
df_filtered_2['big_net_volume'] = (df_filtered_2['buy'] - df_filtered_2['sell']) / 100000000
df_filtered_2['chg_big_net_volume'] = df_filtered_2['changepercent'] * df_filtered_2['big_net_volume']
df_filtered_3 = df_filtered_2[(df_filtered_2['changepercent'] > 0) & (df_filtered_2['chg_big_net_volume'] > 5000)]
df_filtered_4 = df_filtered_3.sort_values(by=['amount'], ascending=False)
# 输出结果
df_final = df_filtered_4[['code', 'name', 'trade', 'changepercent', 'open', 'high', 'low', 'volume', 'amount', 'market']]
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。
