问财量化选股策略逻辑
选股逻辑为MACD零轴以上，按个股热度从大到小排序名，2019年分红比例大于25%。选股时间为每个交易日开盘前。
选股逻辑分析
MACD指标可以反映短期市场趋势，个股热度可以反映市场关注度，分红比例可以反映公司基本面情况。通过此选股逻辑，可以筛选出市场趋势向上、市场关注度高、公司基本面优良的标的，并增加投资成功的概率。
有何风险？
- 过度依赖技术指标和财务数据，忽略公司业务和行业前景，可能造成选股漏洞；
- 依赖历史分红制定标准，忽略未来业绩变化和分红政策变化，可能造成选股结果失效。
如何优化？
- 加入行业前景、公司业务、盈利能力等因素进行筛选，以选择具有持续增长潜力和核心竞争力的标的；
- 动态调整分红比例标准，适应分红政策变化和不同行业、不同阶段的特征，提高筛选的准确性；
- 根据市场走势和资金流动等变化情况，动态调整技术指标的权重，提高适应性；
- 加入风险控制的因素，对标的的波动性进行评估和管理。
最终的选股逻辑
选股逻辑为MACD零轴以上，按个股热度从大到小排序名，2019年分红比例大于25%。在此基础上可以根据具体情况适当加入其它筛选条件。同时可以根据预测市场走势、行业前景、公司业务等进行筛选。选股时间为每个交易日开盘前。
同花顺指标公式代码参考
MACD指标：
DIF: EMA(CLOSE, 12) - EMA(CLOSE, 26);
DEA: EMA(DIF, 9);
MACD: (DIF - DEA) * 2;
其中CLOSE为当日收盘价，EMA为指数移动平均数。
2019年分红比例大于25%的筛选条件：
C: DIV/PRICE > 0.25;
其中DIV为2019年分红总额，PRICE为当前股价。
Python代码参考
以下为python的选股筛选代码、排序代码，仅供参考：
import akshare as ak
import talib as ta
# 获取股票数据并计算筛选结果
data_stock = ak.stock_zh_a_daily_tx(symbol="", trade_date="")
data_stock_m = data_stock.copy()
data_stock_m['DIF'] = ta.EMA(data_stock_m['close'], timeperiod=12) - ta.EMA(data_stock_m['close'], timeperiod=26)
data_stock_m['DEA'] = ta.EMA(data_stock_m['DIF'], timeperiod=9)
data_stock_m['MACD'] = (data_stock_m['DIF'] - data_stock_m['DEA']) * 2
data_stock_filtered = data_stock_m[(data_stock_m['MACD'] > 0) & (data_stock_m['hot'] > 0) & (data_stock_m['div'] / data_stock_m['close'] > 0.25)]
result_sorted = data_stock_filtered.sort_values(by=['hot'], ascending=False)
## 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。
