问财量化选股策略逻辑
本选股策略选取振幅大于1、周线MACD在零轴之上、2019年分红比例大于25%的股票。
选股逻辑分析
本选股策略同样基于技术面选股策略，通过振幅、MACD等指标进行筛选，同时加入了2019年分红比例大于25%的条件，可以理解为该股票拥有稳定的现金流，信誉度较高，对于投资者而言具有较高的吸引力。
有何风险？
本选股策略忽略了公司的基本面等其他因素，只从技术面和限定条件进行筛选，可能存在一定的投资风险和认知误差。同时，2019年分红比例大于25%的股票不一定能持续维持高额分红，可能会存在风险和变动。
如何优化？
可以在技术面指标基础上，加入更多因素和补充指标，比如市场情绪、基本面等因素，同时需要通过统计分析和历史回测等手段，验证选股策略的有效性和准确性，以降低投资风险。同时，在加入其他因素的同时，需要关注企业财务健康情况，注意股票的成长性和长期收益稳定性。
最终的选股逻辑
本选股策略选取股票振幅大于1、周线MACD在零轴之上、2019年分红比例大于25%的股票。需要在加强风险控制和投资策略思路的同时，结合其他因素进行筛选，形成更加全面和准确的选股体系。
同花顺指标公式代码参考：
振幅大于1：
(HIGH - LOW) / PRE_CLOSE > 0.01
周线MACD在零轴之上：
(REF(MACD(12,26,9),1) > REF(MACDSIGNAL(12,26,9),1)) AND (MACD(12,26,9) > 0)
2019年分红比例大于25%：
DIV_2019 / PRE_CLOSE > 0.25
# DIV_2019 为2019年分红总额
python代码参考：
# 引入Tushare库
import tushare as ts
# 连接Tushare库
pro = ts.pro_api()
# 查询所有股票的数据
all_data = pro.stock_basic()
# 根据选股条件进行筛选
selected_stocks = []
for ts_code in all_data["ts_code"]:
# 获取股票数据
dividend_data = pro.dividend(ts_code=ts_code, fields='ts_code,div_proc,div_year,stk_div')
weekly_data = pro.weekly(ts_code=ts_code, start_date='20220101', end_date='20220630')
if (weekly_data.high - weekly_data.low).mean() / weekly_data.close.mean() > 0.01 and weekly_data.iloc[-1]['close'] > weekly_data.iloc[-1]['ma30'] and dividend_data[dividend_data.div_year == 2019].stk_div.iloc[0] / weekly_data.iloc[-1]['close'] > 0.25:
selected_stocks.append(ts_code)
# 输出选中的股票
print(selected_stocks)
在选股逻辑中加入了2019年分红比例的条件，使用Tushare库获取股票数据，按照选股条件筛选。在优化本选股策略时，建议加入更多因素和补充指标，形成更加完整和准确的选股体系。需要通过加强风险控制、优化交易策略等手段降低投资风险。
## 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。
