问财量化选股策略逻辑
本选股策略选取振幅大于1、下午大单净流入、15分钟周期MACD指标绿柱变短作为投资标的。
选股逻辑分析
本选股策略选择振幅大和下午大单净流入来筛选具有投资价值和投资机会的股票，并增加了MACD指标来进一步筛选。15分钟周期可以使投资者更及时地捕捉到股票价格的变化，MACD绿柱变短则表示股票价格正在回调，进一步增加了投资安全性。
有何风险？
MACD指标具有延迟性，容易错误地判断股票价格趋势，进而造成投资损失。同时，振幅大和下午大单净流入往往会选出高波动性和高风险的股票，投资者需要承担更高的市场风险。另外，选股策略很难预测或考虑所有的非市场因素。
如何优化？
可以借助机器学习或人工智能等技术来提高选股策略的准确性和先进性。同时也可以通过加入其他技术指标、基本面分析等因素，来寻找更稳健和具有长期投资价值的股票，降低不必要的投资风险。
最终的选股逻辑
本选股策略选取振幅大于1、下午大单净流入、15分钟周期MACD指标绿柱变短作为投资标的，并能够根据具体情况进行细微调整，构建多样化的投资组合。
同花顺指标公式代码参考
振幅大于1：ABS((HIGH-LOW)/PRE_CLOSE) > 0.01
下午大单净流入：C - O > (0.005 * V - MA(V, 3)) / 10000
15分钟MACD指标绿柱变短：DIFF - DEA < 0 AND REF(DIFF - DEA, 1) > 0 AND REF(DIFF - DEA, 2) > 0 AND REF(DIFF - DEA, 3) > 0
python代码参考
#引入Tushare库、Numpy库、Pandas库
import tushare as ts
import numpy as np
import pandas as pd
# 连接Tushare库
pro = ts.pro_api()
def select_stocks(n):
selected_stocks = []
#所有股票
all_stocks = pro.stock_basic(exchange='', list_status='L', fields='ts_code')
for ts_code in all_stocks["ts_code"]:
# 获取股票数据
k_data = pro.klines(ts_code=ts_code, start_date='1 month ago', end_date='today', freq='15min', Ma=[5,10,20])
if (ABS((k_data["high"] - k_data["low"]) / k_data["pre_close"]) > 0.01).all() and (quote_data["close"] - quote_data["open"] > (0.005 * quote_data["vol"] - MA(quote_data["vol"],3))/10000).all() and ((k_data["macd"] - k_data["macdsignal"] < 0) & (k_data["macd"] - k_data["macdsignal"] > k_data["macd"].shift(1) - k_data["macdsignal"].shift(1)) & (k_data["macd"] - k_data["macdsignal"] > k_data["macd"].shift(2) - k_data["macdsignal"].shift(2)) & (k_data["macd"] - k_data["macdsignal"] > k_data["macd"].shift(3) - k_data["macdsignal"].shift(3))).all():
selected_stocks.append(ts_code)
if len(selected_stocks) == n:
return selected_stocks
## 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。
