问财量化选股策略逻辑
选股逻辑为：选择换手率在3%~12%之间、买一量大于卖一量、2019年分红比例大于25%的股票。
选股逻辑分析
该选股策略综合考虑了股票的活跃度、市场参与度和分红情况，通过挖掘分红潜力选股。
有何风险？
该选股策略仅考虑了2019年分红比例，忽略了其它年份的分红情况以及公司的财务报表等重要因素，存在选股偏差和投资风险。
如何优化？
可以引入其它年份分红情况，例如最近3年平均分红比例，结合公司的财务报表等综合数据来确定选股策略，提高选股准确性。同时，可以考虑引入机器学习和大数据等手段，来自动化选股和优化策略。
最终的选股逻辑
在换手率在3%~12%之间、买一量大于卖一量、2019年分红比例大于25%的股票中，选出前10个股票。
同花顺指标公式代码参考
SELECT SYMBOL FROM
(SELECT SYMBOL, TURNOVERRATE, BUY1VOLUME, SELL1VOLUME FROM STOCK_INFO
-- 选择换手率在3%~12%之间
WHERE TURNOVERRATE > 3 AND TURNOVERRATE < 12
-- 选择买一量大于卖一量
AND BUY1VOLUME > SELL1VOLUME
AND SYMBOL IN
(SELECT SYMBOL FROM FIN_REPORT
WHERE REPORTDATE = '20191231'
-- 选择2019年分红比例大于25%
AND DIVIDENDRATIO > 25))
-- 选取前10的股票
WHERE ROWNUM <= 10;
python代码参考
import pandas as pd
import tushare as ts
def select_stocks():
pro = ts.pro_api()
# 查询挂带大量大于卖一量的股票
market_df = pro.market_detail(symbol='', trade_date='20220422')
df1 = market_df[(market_df['bid_vol'] > market_df['ask_vol'])]
# 按换手率筛选股票
daily_basic_df = pro.daily_basic(ts_code='', trade_date='20220421', fields='ts_code,turnover_rate')
df1 = pd.merge(df1, daily_basic_df, on='ts_code', how='inner')
df1 = df1[(df1['turnover_rate'] > 3) & (df1['turnover_rate'] < 12)]
# 查询股票的分红情况
fin_report_df = pro.dividend(ts_code='', ann_date='20200101', fields='ts_code,end_date,dividend_ratio')
fin_report_df = fin_report_df[fin_report_df['end_date'] == '20191231']
df1 = pd.merge(df1, fin_report_df, on='ts_code', how='inner')
# 按分红比例筛选股票
df1 = df1[df1['dividend_ratio'] > 25]
# 合并所有指标，返回选股结果
return df1.head(10)['ts_code']
## 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。
