策略名称：高股息低市盈率高增长价值投资策略
策略说明：
本策略基于高股息、低市盈率和高增长的价值投资理念，通过筛选分红率高、市盈率低且盈利增长稳定的股票进行投资。策略的核心思想是寻找被市场低估的优质公司，长期持有以获取稳定收益。
策略核心逻辑：
-
股票池筛选：
-
排除科创板、北交所、ST股和上市未满300天的股票。
-
筛选过去3年平均分红率最高的10%的股票。
-
筛选市盈率在0到25之间、净资产收益率大于3%、营业收入同比增长率大于5%、净利润同比增长率大于11%的股票。
-
-
交易决策：
-
每月第一个交易日开盘时，根据筛选出的股票调整持仓，买入新筛选的股票，卖出不再符合条件的股票。
-
每日14:00检查昨日涨停的股票，若今日未涨停则卖出。
-
-
风险控制：
-
排除停牌、涨停或跌停的股票，避免无法交易的情况。
-
设置每只股票的仓位上限，避免过度集中风险。
-
策略特点：
-
高股息：通过筛选高分红率的股票，获取稳定的分红收益。
-
低市盈率：通过筛选低市盈率的股票，寻找被市场低估的优质公司。
-
高增长：通过筛选盈利增长稳定的股票，确保公司的持续盈利能力。
适用场景：
-
适用于A股市场，能够有效捕捉被市场低估的优质公司。
-
适合中长期投资者，通过长期持有获取稳定收益。
风险提示：
-
高股息策略在牛市中可能表现不佳，需注意市场风险。
-
策略依赖于财务数据的准确性和及时性，需定期更新数据。
策略代码结构：
-
初始化函数（
initialize）：-
设定基准指数（沪深300）。
-
配置交易手续费和滑点。
-
定义每日运行的函数（开盘前、开盘时、收盘后）。
-
-
开盘前运行函数（
before_trading_start）：-
筛选符合条件的股票，更新持仓列表和历史持仓列表。
-
-
开盘时运行函数（
handle_data）：-
每月第一个交易日开盘时，根据筛选出的股票调整持仓，买入新筛选的股票，卖出不再符合条件的股票。
-
每日14:00检查昨日涨停的股票，若今日未涨停则卖出。
-
-
交易函数（
my_Trader）：-
根据筛选出的股票调整持仓，买入新筛选的股票，卖出不再符合条件的股票。
-
-
收盘后运行函数（
check_limit_up）：-
检查昨日涨停的股票，若今日未涨停则卖出。
-
-
辅助函数：
-
filter_kcbj_stock：过滤科创板和北交所股票。 -
filter_paused_stock：过滤停牌股票。 -
filter_st_stock：过滤ST股。 -
filter_limit_stock：过滤涨停股票。 -
get_dividend_ratio_filter_list：根据过去3年分红率筛选股票。 -
filter_new_stock：过滤上市未满300天的股票。 -
choice_try_A：根据市盈率、净资产收益率、营业收入同比增长率、净利润同比增长率等因子筛选股票。
-
策略优化建议：
-
参数优化：
-
可对分红率、市盈率、净资产收益率等筛选条件进行优化，以适应不同的市场周期。
-
调整持仓数量（如10只），以平衡风险与收益。
-
-
风险控制：
-
增加最大回撤限制，当回撤超过一定比例时暂停交易。
-
设置单笔交易的最大亏损比例，避免单笔交易亏损过大。
-
-
多因子结合：
-
可结合其他财务指标（如市净率、资产负债率等）进行综合筛选，提高策略的稳定性。
-
总结：
本策略通过高股息、低市盈率和高增长的价值投资理念，筛选被市场低估的优质公司，适合中长期投资者在A股市场中获取稳定收益。策略逻辑清晰，适合有一定编程基础的投资者进行进一步优化和实盘测试。
策略源代码
# 风险及免责提示：该策略由聚宽用户在聚宽社区分享，仅供学习交流使用。
# 标题：高股息低市盈率高增长的价投策略
# 原回测时间选择分钟，如果选择每天，回测速度就会更快
'''
0、股票筛选所有股票，去科创板和北交所，去ST，去上市未满300天；
1、股票筛选和排序：最近3年平均分红股息率最大10%的股票，按分红/股价 从大到小排序；（股价上涨，会导致排名下跌）
2、股票筛选：PEG在0.08-2之间，市盈率：0~20之间，净资产收益率>3%,营业收入同比增长率>5%,净资产同比增长>11%;（股价上涨到PE超过25就会跌出股票池）
3、选取的股票：去停牌，去昨天涨停的，取前10个股票做为买入股票池（股价）
4、执行频率每月执行一次；
5、每天执行的是：如果昨天是涨停的，今天没有涨停，则卖出；
'''
import pandas as pd # 导入pandas库并设置别名pd
from jqdata import * # 从jqdata模块导入所有内容
def initialize(context):
set_benchmark('000300.XSHG') # 设定基准
log.set_level('order', 'error') # 过滤order中低于error级别的日志
set_option('use_real_price', True) # 用真实价格交易
set_option('avoid_future_data', True) # 打开防未来函数
set_slippage(FixedSlippage(0.02)) # 设置滑点
g.stock_num = 10 # 设置要持有的股票数量
g.month=context.current_dt.month-1 # 获取上一个月份
# 开盘前运行，在每个交易日的开盘前运行，用于执行一些开盘前需要准备的工作
def before_trading_start(context):
prepare_stock_list(context) # 调用 prepare_stock_list 函数
print(context.run_params.type) # 打印策略运行参数中的类型，了解策略是在进行回测还是模拟交易
# 开盘时运行函数
def handle_data(context,data):
hour=context.current_dt.hour # 读取当前时间的小时部分
minute=context.current_dt.minute # 读取当前时间的分钟部分
#选股程序每月执行一次，检查是否到达新的月份，并且当前时间是9:30（开盘时）
if context.current_dt.month !=g.month and hour==9 and minute==30:
my_Trader(context) # 调用 my_Trader 函数执行选股和交易逻辑
g.month=context.current_dt.month # 更新全局变量 g.month 为当前月份，这样选股程序下个月才会再次执行
#-----------------------执行频率的设置和股票筛选程序----------------------
if hour==14 and minute==0: # 检查当前时间是否是14:00
check_limit_up(context) # 调用 check_limit_up 函数，卖出昨天涨停今天开板的股票
# 显示可动用现金与总资产的比例，这里记录的是现金占总资产的比例
record(cash=context.portfolio.available_cash/context.portfolio.total_value*100)
关键函数解锁后查看：
#显示筛查出股票的：名称，代码，市值
def slist(context,stock_list):
current_data = get_current_data() # 获取当前所有股票的数据
for stock in stock_list: # 遍历股票列表中的每只股票
# 获取单只股票的财务数据，这里只获取了估值表（valuation）的数据，且筛选条件是股票代码等于当前遍历到的股票代码
df = get_fundamentals(query(valuation).filter(valuation.code == stock))
# 打印股票的详细信息，包括：股票代码：使用格式化字符串中的占位符 {0} 来表示；# 股票名称：调用 get_security_info 函数获取股票信息对象，然后通过 display_name 属性获取股票的名称；总市值：从 df（DataFrame）中获取 market_cap 列的值，索引为 [0]，表示获取第一行的数据
# 流通市值：从 df 中获取 circulating_market_cap 列的值；PE（市盈率）：从 df 中获取 pe_ratio 列的值；股价：从 current_data 中获取 last_price 属性，表示当前时间点的股票最新价格；.2f 是格式化说明符，表示浮点数保留两位小数
print('股票代码：{0}, 名称：{1}, 总市值:{2:.2f}, 流通市值:{3:.2f}, PE:{4:.2f},股价：{5:.2f}'.format(stock,get_security_info(stock).display_name,df['market_cap'][0],df['circulating_market_cap'][0],df['pe_ratio'][0],current_data[stock].last_price))
#1-1 准备股票池
# 如果持有的股票昨日涨停，则将其加入涨停列表，以便在今日监控是否打开涨停，一旦打开涨停就卖出，这个每天执行
def prepare_stock_list(context):
g.hold_list= [] # 初始化全局变量 g.hold_list 为空列表，用于存储当前持有的股票列表
g.high_limit_list=[] # 初始化全局变量 g.high_limit_list 为空列表，用于存储昨日涨停的股票列表
for position in list(context.portfolio.positions.values()): # 遍历当前投资组合中的所有持仓
stock = position.security # 获取持仓的股票代码
g.hold_list.append(stock) # 将股票代码添加到 g.hold_list 列表中
#获取昨日涨停列表
if g.hold_list != []: # 如果 g.hold_list 不为空，即有持仓股票
for stock in g.hold_list: # 遍历 g.hold_list 中的每只股票
# 获取该股票昨日的收盘价和涨停价，
df = get_price(stock, end_date=context.previous_date, frequency='daily', fields=['close','high_limit'], count=1)
if df['close'][0] >= df['high_limit'][0]*0.98: # 检查昨日的收盘价是否接近涨停价（这里使用 0.98 作为阈值）
g.high_limit_list.append(stock) # 将昨日涨停的股票添加到 g.high_limit_list 列表中
#1-5 调整昨日涨停股票
def check_limit_up(context):
now_time = context.current_dt # 获取当前时间
if g.high_limit_list != []: # 检查昨日涨停股票列表是否为空
#对昨日涨停股票观察到尾盘如不涨停则提前卖出，如果涨停即使不在应买入列表仍暂时持有
for stock in g.high_limit_list: # 遍历昨日涨停股票列表
current_data = get_current_data() # 获取当前所有股票的数据
if current_data[stock].last_price < current_data[stock].high_limit: # 检查当前价格是否小于涨停价，即判断今日是否打开涨停
log.info("[%s]涨停打开，卖出" % (stock)) # 如果打开涨停，则记录卖出信息
order_target(stock, 0) # 卖出股票持仓
else:
log.info("[%s]涨停，继续持有" % (stock)) # 如果仍然涨停，则记录继续持有的信息
# 过滤科创北交股票
def filter_kcbj_stock(stock_list):
for stock in stock_list[:]: # 遍历股票列表，过滤掉科创板和北交所的股票
if stock[0] == '4' or stock[0] == '8' or stock[:2] == '68': # 根据股票代码判断是否属于科创板或北交所
stock_list.remove(stock) # 从列表中移除该股票
return stock_list
# 过滤停牌股票
def filter_paused_stock(stock_list):
current_data = get_current_data() # 获取当前所有股票的数据
return [stock for stock in stock_list if not current_data[stock].paused] # 使用列表推导式，返回不在停牌状态的股票列表
# 过滤ST及其他具有退市标签的股票
def filter_st_stock(stock_list):
current_data = get_current_data() # 获取当前所有股票的数据
return [stock for stock in stock_list # 使用列表推导式，返回不是ST股且名称中不包含特定退市标签的股票列表
if not current_data[stock].is_st
and 'ST' not in current_data[stock].name
and '*' not in current_data[stock].name
and '退' not in current_data[stock].name]
# 过滤涨停的股票
def filter_limit_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list) # 获取最近一分钟的收盘价
current_data = get_current_data() # 获取当前所有股票的数据
# 已存在于持仓的股票即使涨停也不过滤，避免此股票再次可买，但因被过滤而导致选择别的股票
return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
or current_data[stock].low_limit < last_prices[stock][-1] < current_data[stock].high_limit]
#1-1 根据最近三年分红除以当前总市值计算股息率并筛选
def get_dividend_ratio_filter_list(context, stock_list, sort, p1, p2):
time1 = context.previous_date # 获取策略运行的上一个日期
time0 = time1 - datetime.timedelta(days=365*3) # 计算三年前日期，用于获取分红数据
#获取分红数据，由于finance.run_query最多返回4000行，以防未来数据超限，最好把stock_list拆分后查询再组合
interval = 1000 #某只股票可能一年内多次分红，导致其所占行数大于1，所以interval不要取满4000
list_len = len(stock_list)
# 初始化查询分红数据的 Query 对象
# 股票代码 股权登记日 每股分红金额（人民币）
q = query(finance.STK_XR_XD.code, finance.STK_XR_XD.a_registration_date, finance.STK_XR_XD.bonus_amount_rmb
).filter(
finance.STK_XR_XD.a_registration_date >= time0, # 股权登记日大于等于三年前
finance.STK_XR_XD.a_registration_date <= time1, # 股权登记日小于等于上一个日期
finance.STK_XR_XD.code.in_(stock_list[:min(list_len, interval)])) # 股票代码在列表中
df = finance.run_query(q) # 执行查询，获取分红数据
#对interval的部分分别查询并拼接
if list_len > interval: # 如果股票列表长度大于设定的查询间隔，则分批查询
df_num = list_len // interval
for i in range(df_num):
q = query(finance.STK_XR_XD.code, finance.STK_XR_XD.a_registration_date, finance.STK_XR_XD.bonus_amount_rmb
).filter(
finance.STK_XR_XD.a_registration_date >= time0, # 股权登记日大于等于三年前
finance.STK_XR_XD.a_registration_date <= time1, # 股权登记日小于等于上一个日期
finance.STK_XR_XD.code.in_(stock_list[interval*(i+1):min(list_len,interval*(i+2))]))
temp_df = finance.run_query(q)
df = df.append(temp_df)
# 处理分红数据，填充空值为0，并按股票代码分组求和
dividend = df.fillna(0) # df.fillna() 是一个 Pandas 数据处理库中的函数，它可以用来填充数据框中的空值
dividend = dividend.groupby('code').sum()
temp_list = list(dividend.index) #query查询不到无分红信息的股票，所以temp_list长度会小于stock_list
#获取市值相关数据 股票代码 总市值
q = query(valuation.code,valuation.market_cap).filter(valuation.code.in_(temp_list))
cap = get_fundamentals(q, date=time1) # 执行查询，获取市值数据
cap = cap.set_index('code') # 将市值数据设置为以股票代码为索引的 DataFrame
# 计算股息率（分红金额除以总市值）
cap['dividend_ratio']=(dividend['bonus_amount_rmb']/10000)/cap['market_cap']
# 根据股息率进行排序并筛选
cap = cap.sort_values(by=['dividend_ratio'], ascending=sort)
final_list = list(cap.index)[int(p1*len(cap)):int(p2*len(cap))] # 计算筛选比例，p1 和 p2 为筛选的上下界比例
return final_list # 返回筛选后的股票列表
# 过滤次新股
def filter_new_stock(context, stock_list):
# 使用列表推导式来构建一个新的列表，包含满足特定条件的股票
# 对于 stock_list 中的每只股票，如果满足以下条件，则将其包含在新列表中：条件是：(策略运行的上一个日期 - 300天) 必须大于该股票的上市日期
return [stock for stock in stock_list if (context.previous_date - datetime.timedelta(days=300)) > get_security_info(stock).start_date]
关键函数解锁后查看：
