问财量化选股策略逻辑
本选股策略选取振幅大于1，（昨日换手率*（今日竞价成交量/昨日成交量））在0.5到2之间，且2019分红比例大于25%的股票进行选股。该策略主要依据技术面和公司盈利情况进行选股。
选股逻辑分析
本选股策略主要利用技术面指标振幅和换手率等，筛选出股价波动较大的股票。同时，加入2019年分红比例大于25%的条件，筛选出具有一定盈利情况的股票。该选股策略比较注重公司盈利情况和股票价格波动等因素。
有何风险？
本选股策略侧重技术面指标和公司分红比例等因素，忽略了一些公司基本面的因素，不够全面地考虑个股的市场价值与优劣，可能选出一些危险股票。同时，分红比例作为单一的盈利指标，不能全面反映公司财务的风险情况，选出的股票可能存在基本面上的问题。
如何优化？
为了优化选股策略，可以加入更多的公司基本面指标，如市盈率、市净率、净利润、股息率等，以全面反映公司财务情况。同时，可以结合技术面和基本面指标，将选股策略建立在多角度的分析和考虑上。此外，可以加入成长性指标，如营收增长率、净利润增长率等，以选出具有成长性的股票。
最终的选股逻辑
本选股策略选取振幅大于1，（昨日换手率*（今日竞价成交量/昨日成交量））在0.5到2之间，且2019年分红比例大于25%的股票进行选股。同时，加入基本面指标和成长性指标，全面反映公司财务、成长性和股票价格波动等信息，筛选出具有潜力和可持续性的股票。
同花顺指标公式代码参考
无
Python代码参考
import tushare as ts
pro = ts.pro_api()
def select_stocks(n):
selected_stocks = []
for code in pro.query('stock_basic', exchange='', list_status='L', fields='ts_code,name,list_date,list_status,total_mv')["ts_code"]:
if len(selected_stocks) >= n:
break
db = pro.query('dividend', ts_code=code, fields='end_date,dv_year,stk_div')
if not db.empty and db['dv_year'].iloc[0] == 2019 and float(db['stk_div'].iloc[0]) / 10 > 25:
qfq_df = pro.adj_factor(ts_code=code, trade_date='20220101', fields='adj_factor')
if not qfq_df.empty and float(qfq_df['adj_factor'].iloc[0]) != 0 and float(qfq_df['adj_factor'].iloc[0]) != None:
db = pro.query('daily_basic', ts_code=code, trade_date=pro.trade_cal(exchange='', start_date='20210101', end_date='20220331')['cal_date'].iloc[-1], fields='ts_code,trade_date,turnover_rate,volume_ratio,amplitude,trade_date,turnover_rate_f,volume_ratio_f')
if not db.empty:
if db['amplitude'].iloc[0] > 1 and 0.5 < db['turnover_rate'].iloc[0] * db['volume_ratio'].iloc[0] < 2:
selected_stocks.append(code)
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。
