问财量化选股策略逻辑
选股逻辑为：振幅大于1、股价为18.5元、2019年分红比例大于25%。选股策略旨在寻找可能具有较高分红率、股价波动性适中的股票。
选股逻辑分析
该选股策略以振幅大于1、股价为18.5元、2019年分红比例大于25%为选股基础条件。该选股策略考虑了股票价格波动性、分红回报率等因素，以寻找可能具有较高分红率、股价波动性适中的股票。
有何风险？
该选股策略过于强调分红回报率，可能会忽略股票的基本面、估值等因素。此外，过高的振幅可能意味着较高的波动风险，需进一步考虑风险收益平衡。
如何优化？
可综合考虑其他指标和因素，例如加入股票的基本面和估值指标、行业和市场热度等因素，以更好地评估股票的长期表现和风险收益平衡。另外，对振幅进行合理划分，以较低的波动性和适当的分红回报率作为选股标准。
最终的选股逻辑
选股逻辑为：振幅大于0.5小于1、股价为18.5元、2019年分红比例大于25%。在这个基础上，可加入其他指标和因素，例如基本面、估值、行业市场热度等因素，以构建更全面的选股模型。
同花顺指标公式代码参考
# 振幅大于0.5小于1
SELECT1 = (HIGH-LOW)/HIGH > 0.005 AND (HIGH-LOW)/HIGH < 0.01
# 股价为18.5元
SELECT2 = CLOSE == 18.5
# 昨年分红比例大于25%
REPORT_DATE = '20190331'
dividend = REF(get_finance_one(REPORT_DATE, 'dividend_ratio'), 1)
SELECT3 = dividend * 100 > 25
SELECT = SELECT1 AND SELECT2 AND SELECT3
以上为计算选股逻辑的同花顺指标公式。即选股指标为：振幅大于0.5小于1、股价为18.5元、2019年分红比例大于25%。可根据实际需求进行修改。
Python代码参考
import pandas as pd
import tushare as ts
def get_selected_stocks():
# 获取tushare连接
ts.set_token('Your Token')
pro = ts.pro_api()
# 获取A股市场所有的股票
all_stocks = [ts_code for ts_code, name, industry in pro.stock_basic(fields='ts_code,name,industry', exchange='', list_status='L').values.tolist() if name[0] != 'S']
# 计算选股指标并依此进行选股
selected_stocks = []
for ts_code in all_stocks:
all_data = pro.stock_company(ts_code=ts_code, fields='pro_name,concept_name,industry,exchange,list_date,total_equity,market_type,holders')
if all_data.empty or all_data.iloc[0]['total_equity'] == 0 or (pd.Timestamp.now() - pd.to_datetime(all_data.iloc[0]['list_date'])).days < 365:
continue
if all_data.iloc[0]['market_type'] != 1 or all_data.iloc[0]['holders'] == '非公开发行股份上市':
continue
finance_data = pro.fina_indicator(ts_code=ts_code, start_date='20181231', end_date='20191231', fields='dividend_ratio')
if finance_data.empty:
continue
if finance_data.iloc[-1]['dividend_ratio'] * 100 <= 25:
continue
quote_data = pro.bar(ts_code=ts_code, freq='5min', start_date=(pd.Timestamp.now() - pd.Timedelta(days=4)).strftime('%Y%m%d'), end_date=pd.Timestamp.now().strftime('%Y%m%d'), ma=[5, 20, 60])
if quote_data.empty:
continue
if (quote_data['open'][-1] - quote_data['pre_close'][-1]) / quote_data['pre_close'][-1] > 0.095:
continue
if quote_data['close'][-1] != 18.5:
continue
if (quote_data['high'] - quote_data['low'])[-1] / quote_data['high'][-1] <= 0.005 or (quote_data['high'] - quote_data['low'])[-1] / quote_data['high'][-1] >= 0.01:
continue
selected_data = quote_data.iloc[-1].copy()
selected_data['ts_code'] = ts_code
selected_data['pro_name'] = all_data.iloc[0]['pro_name']
selected_stocks.append(selected_data)
selected_stocks_sorted = sorted(selected_stocks, key=lambda x: x['vol'], reverse=True)
return selected_stocks_sorted
以上为Python代码实现，选股逻辑为：振幅大于0.5小于1、股价为18.5元、2019年分红比例大于25%。可根据实际需求进行修改。
## 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。
