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、昨日9:15匹配价跌停。
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，昨日9:15匹配价跌停则可以找到一些被错杀的股票，有较大的涨价空间。综合这些因素进行选股，可以提高选股的准确率和收益效果。
有何风险？
该选股策略仍然较为依赖市场主流资金的热点，可能会忽略一些潜在的优质股票出现的机会。同时，昨日9:15匹配价跌停的选股条件较为严苛，可能会导致选股结果较少，存在一定的风险和不确定性。
如何优化？
可以考虑引入更多的技术指标，如CCI、DMI等指标，同时可以将选股策略纳入到更全面和长期的投资策略中，避免单一的选股策略带来的风险和不确定性。可以采用机器学习等方法，基于历史数据和市场资金的流动方向来进一步优化选股策略，提高选股的准确率和精度。
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、昨日9:15匹配价跌停。
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)
昨日9:15匹配价跌停：IF(DAY(C)=REF(DATE,1) AND TIME(C)==TIME(9,15), IF(L<REF(L, 1)*0.9, 1, 0), 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())
# 昨日9:15匹配价跌停
df_filtered_2 = df_filtered_1[df_filtered_1.apply(lambda x: True if x['date'].strftime('%Y-%m-%d %H:%M:%S') == '2021-10-28 09:15:00' and x['low'] < x['preclose']*0.9 else False, axis=1)]
# 输出结果
df_final = df_filtered_2.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。
