问财量化选股策略逻辑
选股逻辑为：振幅大于1、按个股热度从大到小排序、2019分红比例＞25%。将选股逻辑作为第一个标题放入段落中。
选股逻辑分析
该选股策略的逻辑如下：
- 振幅大于1: 表示该股票交易活跃度较高；
- 按照个股热度进行排序：表示在符合条件下按照市场的热度进行排序，选择市场认可度高的个股；
- 2019分红比例＞25%：表明该股票具有一定的盈利能力。
基于以上条件选股，可以筛选出当日具有活跃度高、市场认可度高、财务表现好的股票，辅助投资决策。
有何风险？
该选股策略可能存在以下风险：
- 依靠股票的历史的财务数据进行选股，可能忽略了公司未来的发展和变化。如公司存在重大变化，如重组、扩张等，财务指标短期内可能表现不稳定，短期内不符合选股条件；
- 如果只关注公司的分红比例，而不关注分红的质量和原因，可能存在现金流不足等财务问题，影响长期表现；
- 依赖技术分析指标进行选股，对普通投资者的判断和操作能力存在一定的要求和难度。深度的技术指标分析需要较为专业的股票知识和经验支持。
如何优化？
为了提高选股的准确性和降低风险，可以从以下方面进行优化：
- 引入更多的基本面和技术面评价指标，对选股做到全面分析，构建更加科学的选股模型，如市盈率、市净率等；
- 根据分析结果，进一步优化交易策略，对于市场行情给予更多的关注和判定，结合股票的风险偏好和投资周期等因素，实现更加科学、合理的投资决策；
- 选择综合实力、经营稳定、成长潜力强的上市公司，通过长期持有和深入分析，获得稳定的长期回报。
最终的选股逻辑
综合以上分析和优化，我们最终的选股逻辑为：
在符合振幅大于1、按个股热度从大到小排序、2019分红比例＞25%等综合条件下，量化分析并综合考虑公司的盈利能力、估值水平、成长空间、商业模式等基本面和技术面指标，重点关注公司的未来发展潜力和产业前景，并进行中长期的持有。在操作上，可以执行定期的买卖策略，根据市场情况进行适当的调整，以享受市场里的投资机会，同时防范投资风险。
同花顺指标公式代码参考
该策略可引入以下指标进行辅助分析：
- 振幅指标：
振幅：
((HIGH-LOW)/REF(CLOSE,1))>0.01
- 个股热度指标：
个股热度指标：
SORT_BY_DESC(stock_heat/)
- 分红比例指标：
2019年分红比例大于25%：
DIV_2019>=0.25
python代码参考
以下是使用Python进行选股的代码实现示例：
import pandas as pd
import tushare as ts
from pyecharts.charts import *
from pyecharts.options import *
# 获取符合条件的股票代码
def get_selected_codes():
codes = ts.get_today_all()["code"].tolist()
selected_codes = []
for code in codes:
df = ts.get_stock_basics()
name = df.loc[code]["name"]
if code.startswith("ST"):
continue
df = ts.get_k_data(code)
if df.empty:
continue
df_div = ts.profit_data(year=2019)
if df_div.empty or df_div.loc[code]["divi"] < 0.25:
continue
if ((df.iloc[-1]["high"] - df.iloc[-1]["low"]) / df.iloc[-2]["close"]) > 0.01:
df_daily = ts.get_hist_data(code)
if not df_daily.empty and df_daily.iloc[-2]["volume"] > 6e7:
selected_codes.append(code)
stock_heat_dict = {}
for code in selected_codes:
df = ts.get_realtime_quotes(code)
stock_heat = int(df["volume"]) * float(df["price"])
stock_heat_dict[code] = stock_heat
sorted_stock_heat = sorted(stock_heat_dict.items(), key=lambda x: x[1], reverse=True)
selected_codes = [x[0] for x in sorted_stock_heat[:100]]
return selected_codes[:5]
# 获取股票基本面数据
def get_stocks_info(codes):
info_dict = {}
for code in codes:
df = ts.get_stock_basics()
name = df.loc[code]["name"]
info_dict[name] = {
"industry": df.loc[code]["industry"],
"area": df.loc[code]["area"],
"div_2019": ts.profit_data(year=2019).loc[code]["divi"],
"pe": df.loc[code]["pe"],
"pb": df.loc[code]["pb"]
}
return info_dict
# 选股策略
def stock_selection():
selected_codes = get_selected_codes()
selected_info = get_stocks_info(selected_codes)
return selected_info
# 可视化展示
def show(selected_info):
data = []
for name, info in selected_info.items():
data.append((name, info["industry"], info["area"], info["div_2019"], info["pe"], info["pb"]))
# 绘制表格
chart = (
Table()
.add(headers=["股票名称", "行业", "地区", "2019年分红比例", "市盈率", "市净率"], rows=data)
.set_global_opts(title_opts=opts.ComponentTitleOpts(title="股票挑选结果"))
)
return chart
# 选出符合条件的股票
selected_info = stock_selection()
print("符合条件的股票：", selected_info)
# 展示结果
chart = show(selected_info)
chart.render()
其中，在代码中需要根据实际需求进行相应的设置。
## 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。
