问财量化选股策略逻辑
选股逻辑：MACD零轴以上，公司2021年营收/2018年营收大于1.1，2019分红比例＞25%。
选股逻辑作为第一个段落放入标题为 ## 问财量化选股策略逻辑 的段落中。分析以上的选股逻辑（每个逻辑以 "," 进行分隔），分析选股的逻辑（放入标题为 ## 选股逻辑分析 的段落），有何风险？（放入标题为 ## 有何风险？ 的段落）如何优化？（放入标题为 ## 如何优化？ 的段落），并最终给出完善选股逻辑（放入标题为 ## 最终的选股逻辑 的段落），请使用markdown格式。
选股逻辑分析
在该选股策略中，我们选择MACD指标作为股票短期动量的变化参考，同时考虑公司2021年营收/2018年营收的增长情况和2019年的分红比例。选股时间在开盘前完成，在选择的候选股中通过这些因素来筛选具有潜力的股票。
有何风险？
以下是该选股策略可能存在的一些风险：
- 该选股策略仍然忽略了其他基本面指标和因素，如财务报表的净利润、PE比率等，存在基本面的风险；
- 该选股策略采用的是短期股票涨跌的判断方法，过于依赖于市场情绪和投机气息，存在市场波动风险；
- 该选股策略中的分红比例指标仅考虑了2019年的数据，可能不能反映公司的整体分红水平，存在选股偏差的风险。
如何优化？
以下是对该选股策略的一些优化建议：
- 可以加入其他更为准确的指标和因素，提高选股的鲁棒性；
- 加入风险控制和止损，避免大幅亏损；
- 可以采用更长时间段的数据来分析公司业绩，提高选股的准确性；
- 尝试引入其他技术指标或基本面指标来协助选股；
- 分红比例指标可以考虑加入动态计算，例如近几年的股息率等指标，以更为准确地反映公司的分红水平。
- 选股后定期评估，有必要进行及时的调整和优化。
最终的选股逻辑
在该选股策略中，我们选择MACD零轴以上，公司2021年营收/2018年营收大于1.1，2019年分红比例＞25%的股票作为候选股，并从中筛选具有潜力的股票进行交易。
同花顺指标公式代码参考
- MACD指标（12,26,9）：DIF=EMA(CLOSE,12)-EMA(CLOSE,26); DEA=EMA(DIF,9); MACD=(DIF-DEA)*2;
Python代码参考
def initialize(context):
set_benchmark('000300.XSHG')
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0003, min_cost=5))
set_slippage(PriceSlippage(0.002))
set_option('avoid_future_data', True)
g.capital_base = context.portfolio.starting_cash
g.stocks_selected = []
def before_trading_start(context):
g.stocks_selected = select_stock(context)
def handle_data(context, data):
for security in context.portfolio.positions.keys():
if security not in data:
continue
if data[security].close < 0.95 * context.portfolio.positions[security].cost_basis:
order_target_value(security, 0)
if len(context.portfolio.positions) < 10:
buy_list = g.stocks_selected[:5]
for buying_stock in buy_list:
if not data.can_trade(buying_stock):
continue
order_target_value(buying_stock, context.portfolio.portfolio_value/len(buy_list))
def select_stock(context):
# 获取市值大于100亿元的股票
stock_universe = get_index_stocks('000300.XSHG')
# 筛选MACD大于0的股票
ma5 = data.history(stock_universe, 'close', 5, '1d').mean(axis=0)
ma20 = data.history(stock_universe, 'close', 20, '1d').mean(axis=0)
macd_line = pd.DataFrame(ma5 - ma20, columns=['close'])
dif, dea, macd = ta.MACD(macd_line, fastperiod=12, slowperiod=26, signalperiod=9)
is_macd_bigger_than_zero = macd.iloc[-1] > 0
stock_universe = [security for security in stock_universe if is_macd_bigger_than_zero[security]]
q = query(
fundamentals.code,
fundamentals.inc_revenue_year_on_year,
fundamentals.dividend_payable_date_0,
fundamentals.dividend_ratio_0,
fundamentals.market_cap,
)\
.filter(
fundamentals.code.in_(stock_universe),
fundamentals.inc_revenue_year_on_year > 1.1,
fundamentals.dividend_ratio_0 > 0.25,
fundamentals.dividend_payable_date_0 < datetime.datetime(2020, 1, 1)
)\
.order_by(fundamentals.market_cap.desc())
df = get_fundamentals(q).fillna(value=0)
return list(df.code.values)
## 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。
