(supermind)振幅大于1、KDJ刚形成金叉、2019分红比例＞25%_

问财量化选股策略逻辑

选取振幅大于1，KDJ刚形成金叉，2019分红比例大于25%的股票进入待投资池。

选股逻辑分析

1. 振幅大于1表明该股票波动性大，有望获得高回报；
2. KDJ刚形成金叉，预示着市场情绪化好转，有较大概率涨势明显；
3. 2019分红比例大于25%，说明公司拥有较好的盈利能力，后市可能具有较大潜力。

有何风险？

1. 忽略了公司的经营风险、财务风险等基本面因素，产生投资误判；
2. 股票分红是一种短期奖励，不一定代表公司的长期发展潜力；
3. 忽略了ST股票的价格波动性，存在投资风险。

如何优化？

1. 引入更多的基本面指标，如公司估值、资产负债表等，更全面地分析股票选取；
2. 综合考虑历史分红稳定性、成长性、市盈率、市净率等因素，更全面地评估公司的潜力；
3. 定期更新选股策略，及时跟踪股票库中的股票，减少投资风险。

最终的选股逻辑

选取振幅大于1，KDJ刚形成金叉，2019分红比例大于25%的股票进入待投资池。

同花顺指标公式代码参考

// 振幅大于1
COND1:=(HIGH-LOW)/LOW>0.01;
// KDJ金叉
RSV:=(CLOSE-LOWEST(CLOSE,9))/(HIGHEST(CLOSE,9)-LOWEST(CLOSE,9))*100;
K:SMA(RSV,3,1);
D:SMA(K,3,1);
J:3*K-2*D;
GCROSS1: CROSS(J,D);
COND2:=REF(GCROSS1,1)=0 AND GCROSS1=1;
// 2019分红比例
COND3:=DIVIDEND_RATE_2019>=0.25;
// 综合条件
CONDITION:=COND1 AND COND2 AND COND3;
SIGNAL: CHECKCOND(CONDITION,1);

Python代码参考

import pandas as pd
import akshare as ak

def get_trade_data(stock_code):
    stock_history_df = ak.stock_zh_a_daily(symbol=stock_code, adjust="hfq")
    stock_history_df.rename(columns={"交易日期":"date","开盘价":"open","最高价":"high","最低价":"low","收盘价":"close","成交量":"volume","成交额":"amount","流通市值":"circ_cap","主力净流入":"net_amount","名称":"name"}, inplace=True)
    stock_history_df.sort_values("date", ascending=True, inplace=True)
    stock_history_df['pct_chg'] = stock_history_df['close'].pct_change() * 100
    stock_history_df['net_volume'] = stock_history_df['close'] * stock_history_df['volume'] * stock_history_df['pct_chg'] / 100 /10000
    dividend_df = ak.stock_dividend(stock=stock_code)
    if not dividend_df.empty:
        stock_history_df['dividend_rate'] = dividend_df['每股送转'].iloc[0] + dividend_df['每股分红（税前）'].iloc[0] / stock_history_df['close'].iloc[0]
    else:
        stock_history_df['dividend_rate'] = 0
    return stock_history_df

def select(df):
    # 振幅
    cond1 = (df['high'] - df['low']) / df['low'] > 0.01
    # KDJ
    high, low, close = df['high'].values, df['low'].values, df['close'].values
    rsv = (close - pd.Series(low).rolling(window=9).min().values) / (pd.Series(high).rolling(window=9).max().values - pd.Series(low).rolling(window=9).min().values) * 100
    k = pd.Series(rsv).rolling(window=3).mean().values
    d = pd.Series(k).rolling(window=3).mean().values
    j = 3 * k - 2 * d
    kdj_cond = (j[-1] > d[-1]) & (j[-2] < d[-2])
    # 分红比例
    dividend_cond = df['dividend_rate'].iloc[-1] > 0.25
    # 综合条件
    basic_cond = cond1 & kdj_cond & dividend_cond
    df = df[basic_cond].reset_index(drop=True)
    return df

    ## 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。
    ![94c5cde12014f99e262a302741275d05.png](http://u.thsi.cn/imgsrc/pefile/94c5cde12014f99e262a302741275d05.png)