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、涨幅<2.6且涨幅>-5的股票。
选股逻辑分析
该选股策略结合了技术面和基本面两个方面的指标，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，涨幅则是基本面的参考指标。通过综合以上指标，可以找到具备较好投资潜力且基本面相对较为稳定的股票。
有何风险？
该选股策略较为依赖于技术面和基本面，忽略了市场情绪对股市的影响。同时，振幅和涨幅等指标的判断标准可能存在主观性，容易产生缺陷。因此，需结合更多指标进行判断，同时加强对市场情绪方面的考虑。
如何优化？
可以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，在判断振幅和涨幅等指标时，需要更加科学、客观地确定标准，避免主观因素对选股策略产生影响。另外，可以考虑添加基本面数据进行过滤，如市盈率、市净率等指标。
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、涨幅<2.6且涨幅>-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)
涨幅：IF(CHANGE_RATE < 2.6 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'] > -5) & (df_filtered_2['changepercent'] < 2.6)]
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', '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。
