问财量化选股策略逻辑
选股逻辑为：振幅大于1、近一个月内有过涨停、2019分红比例＞25%。该选股策略旨在结合价格波动、市场情绪以及公司财务等因素，选出未来具备较好投资价值的、有潜力的股票。
选股逻辑分析
该选股策略主要考虑了价格波动、市场情绪以及公司财报等因素，旨在选出未来具备较好投资价值的、有潜力的股票。其中，振幅大于1和近一个月内有过涨停的选股条件体现了市场资金集中和市场情绪的积极表现；2019年分红比例大于25%的条件反映了该公司对股东的回报较为优秀。这些选股条件的综合考虑，可以筛选出短期内资金流向和市场情绪都比较积极，而且公司盈利状况稳定的股票。
有何风险？
该选股策略存在以下风险：
-
只考虑了2019年的分红比例，没有考虑公司的长期盈利能力和未来发展潜力等因素，需要更多的基本面分析。
-
公司的分红可能会影响其现金流和未来发展计划，需谨慎衡量分红比例对公司未来的影响。
-
股票的价格波动和涨停现象受市场因素影响较大，考虑不充分会造成大量的选股误判。
如何优化？
以下是优化该选股策略的方法：
-
加入更准确的财务指标以及公司经营情况等基本面指标，更全面地考虑股票的投资价值和未来发展潜力。
-
考虑分析分红比例对公司的影响，有针对性地选择股票，防止选股过度偏重分红比例等单一指标，也要关注公司的长期盈利能力。
-
对所选的股票进行风险评估，通过止损等方式对股票价格波动和市场因素下跌的风险进行控制。
最终权益选股逻辑
选股策略为：振幅大于1、近一个月内有过涨停、2019年分红比例＞25%，并综合考虑其他基本面和风险控制指标进行筛选。
同花顺指标公式代码参考
因为分红比例是股票基本面指标，不是由交易数据计算得来的，所以这里不提供同花顺指标公式代码参考。
python代码参考
from gm.api import *
set_token("your_token_here")
# 设置回测起点和终点
start_date = "2020-01-01"
end_date = "2022-01-01"
# 获取主板所有股票
symbols_all = get_symbols(exchanges=["SHSE"], sec_types=["STOCK"], names=["A股"], list_status=["L"])
# 获取股票历史信息
info_all = history(symbol=symbols_all, frequency="1d",
start_time=start_date, end_time=end_date,
fields="symbol, dividend_ratio", df=True)
# 满足选股条件：振幅大于1，近一个月内有过涨停，2019年分红比例大于25%
cond = (info_all["dividend_ratio"] > 25) & \
(bars_all["amplitude"] > 1) & \
(pd.rolling_max(bars_all['close'], window=22) == bars_all['close'])
# 获取满足条件的股票代码
symbols_selected = list(cond[cond].index.get_level_values(0).unique())
print(symbols_selected)
该代码通过 Pandas 对象读取股票历史信息，并根据选股条件筛选出符合条件的股票代码，其中包括对分红比例的判断。代码可以在量化平台和本地 Python 环境中执行。
## 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。
