振幅大于1、15分钟周期MACD绿柱变短、昨日非涨停板

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、昨日非涨停板。

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，昨日非涨停板可以反映出股票现价与市场预期之间的差距，可能存在反弹机会。综合筛选可以找到既有波动性，又有即将反弹且市场预期与现价存在差距的股票，有效控制风险，提高收益率。

有何风险？

该选股策略仍然可能会错过一些低估值股票和潜力股票，需要谨慎评估选股效果。

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、昨日非涨停板。

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)

昨日非涨停板：IF(NOT(YESTCLOSE/LIMITUP >= 1), 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())

# 昨日非涨停板
df_filtered_2 = df_filtered_1[df_filtered_1['settlement'] / df_filtered_1['limit_up'] < 1]

# 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。