问财量化选股策略逻辑
选股逻辑：MACD零轴以上，资金强度由大到小，2019分红比例大于25%。
选股逻辑分析
该选股逻辑结合了MACD指标、资金流和股票分红比例的基础上，提高了选股的准确性。该策略在选股过程中注重市场表现和股票分红情况，具有一定的市场应用性。
有何风险？
该选股逻辑可能存在以下风险：
- 过度依赖技术指标和市场表现，忽略了股票的基本面数据和市场竞争情况；
- 对于分红比例较高的股票，可能存在分红虚高等风险；
- 对于MACD指标和资金流的判断，可能存在误判，选股结果存在一定偏差。
如何优化？
为了克服上述风险，可以优化选股策略，例如：
- 结合股票的基本面数据和行业走势，综合判断其投资价值和市场潜力；
- 对于分红比例较高的股票，可以进行深入研究，例如观察其业绩和现金流等情况；
- 对于MACD指标和资金流的判断，可以采用多种指标和方法进行综合分析，避免误判。
最终的选股逻辑
综合以上分析，我们得到最终的选股逻辑：
选股逻辑：MACD零轴以上，资金强度由大到小，2019分红比例大于25%。
同花顺指标公式代码参考
支持策略1：MACD零轴以上
MACD(12,26,9)
DIFF > 0 AND DEA > 0
支持策略2：资金强度
资金流强度(60)
SZ#
支持策略3：2019分红比例
2019年股息率(现金分红+送股)/2018年年末股价 >= 25
python代码参考
import pandas as pd
from jqdata import *
import talib as ta
def select_stock(context):
q = query(
valuation.code,
valuation.circulating_cap,
indicator.eps,
indicator.net_profit_period_increase_ratio,
valuation.market_cap,
valuation.pe_ratio,
valuation.pb_ratio,
valuation.ps_ratio,
valuation.pcf_ratio,
stock_list.stock_name,
indicator.dividend_yield,
)
df = get_fundamentals(q)
df = df.dropna(subset=['net_profit_period_increase_ratio', 'pe_ratio', 'pb_ratio', 'ps_ratio', 'pcf_ratio', 'dividend_yield'])
df = df[df.circulating_cap > 0]
df = df[df.eps > 0]
df = df[df.market_cap > 5000000000]
df = df[df.apply(lambda x: x.code[:2] in ['60', '00', '30'], axis=1)]
df = df[df.apply(lambda x: x.code[0] != '3' or x.code[:3] in ['300', '301', '302'], axis=1)]
df = df[df.net_profit_period_increase_ratio.between(20, 100)]
df = df[df.dividend_yield >= 0.25]
# MACD零轴以上
stock_list = list(df['code'])
macd_list = []
for stock in stock_list:
close = get_price(stock, end_date=context.current_dt, frequency='daily', fields='close', count=200)['close']
macd, signal, _ = ta.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)
if macd[-1] > signal[-1] and macd[-2] < signal[-2]: # MACD金叉
macd_list.append(stock)
# 资金流强度由大到小
strong_fund = []
for stock in macd_list:
x = get_money_flow(stock, end_date=context.current_dt, count=40, fields=['main_fund_in', 'main_fund_out', 'turnover_ratio'])
turnover_rate = x.turnover_ratio.mean()
if x.main_fund_in.rolling(10).sum().iloc[-1] > x.main_fund_out.rolling(10).sum().iloc[-1]:
strong_fund.append([stock, turnover_rate])
strong_fund = sorted(strong_fund, key=lambda x: x[1], reverse=True)
chosen_list = [x[0] for x in strong_fund]
return chosen_list
## 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。
