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、周线MACD在零轴之上。
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，周线MACD在零轴之上可以反映出股票的趋势性比较强，具有较好的持续性和稳定性。综合筛选可以找到既有波动性，又有机会反弹且趋势性较好的股票，有利于控制风险，提高收益率。
有何风险？
该选股策略过度依赖技术指标，可能忽略了基本面数据和市场环境的因素，存在一定的局限性。此外，技术指标在市场异常波动和极端情况下可能会出现失效的情况，需要及时进行调整和修正。
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、周线MACD在零轴之上。
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)
周线MACD在零轴之上：IF(MACD() > 0, 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_15 = ts.get_k_data('000001', '15')
df_k_data_15['MACD'], _, df_k_data_15['MACD_Hist'] = abstract.MACD(df_k_data_15, timeperiod_fast=12, timeperiod_slow=26, timeperiod_signal=9)
df_filtered_1 = df_filtered_by_amp.merge(df_k_data_15[['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())
# 周线MACD在零轴之上
df_k_data_week = ts.get_k_data('000001', 'W')
df_k_data_week['MACD'], _, _ = abstract.MACD(df_k_data_week, timeperiod_fast=12, timeperiod_slow=26, timeperiod_signal=9)
df_filtered_2 = df_filtered_1.merge(df_k_data_week[['date', 'MACD']], on='date', how='inner')
df_filtered_2['weekly_macd'] = (df_filtered_2['MACD'] > 0)
# 综合筛选结果
df_final = df_filtered_2['code'][df_filtered_2['short_macd'] & df_filtered_2['weekly_macd']]
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。
