基于高股息高分红优化的量化选股模型

已于 2023-11-09 10:33:46 修改
阅读量356 收藏
点赞数 1
文章标签： 量化 Python数据分析
于 2023-11-09 10:33:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shuaicenglou3032/article/details/134305403
版权

注：以下内容不构成任何投资建议，仅作为数据分析学习用途公开
该模型是中金公司提出的，自然语言描述如下：

构造基于高分红高股息优化的量化选股思路。我们基于前述分析，构造基于分红、股息率、自由现金流等指标的选股模型，具体要求：1）筛选时间点：每年4月底年报发布完毕后，统一按年度频率筛选。2）市值、市盈率要求：市值大于50亿元，市盈率为正但小于25倍。3）股息率和分红标准：非金融公司股息率大于3%，分红比例当年大于45%或者3年平均大于45%；金融股息率大于5%，当年分红比例大于35%或3年平均大于35%。4）自由现金流标准：金融无现金流要求；非金融自由现金流/所有者权益大于8%；5）其它：3年平均ROE金融大于10%，非金融大于8%。

全文见这里
基于中金公司的模型描述，以及Baostock金融数据接口和某花顺金融数据，使用Python3.9实现，直接上代码：

import time
import baostock as bs
import pandas as pd
import requests
import json
import datetime
from bs4 import BeautifulSoup
import pickle
# 获取两市股票列表，注：sz代表深市，sh代表沪市
pd.set_option('display.max_columns', None)
myruilicence = 'bfbfudsfuoisuiblblkj7b'
year = 2023 # 计算的年份
# 每日更新股票列表并写入文件，覆盖上次内容
get_stock_list_api = 'https://api.mairui.club/hslt/list/'+myruilicence
# resopnse = requests.get(get_stock_list_api)
# f = open('stocks.list', 'w')
# f.write(resopnse.text)
# f.close()
f = open('stocks2.list', 'r')
json_data = f.readline()
# 读取list格式的两市所有上市公司股票代码
stock_lists = json.loads(json_data)
f.close()
#### 基于高分红高股息优化的量化选股模型 ####
# 计算滚动市盈率peTTM
def getPeTTM(stock_code,start_date,end_date):
    rs = bs.query_history_k_data_plus(stock_code,
                                      "date,code,close,peTTM,pbMRQ,psTTM,pcfNcfTTM",
                                      start_date=start_date, end_date=end_date,
                                      frequency="d", adjustflag="3")
    result_list = []
    while (rs.error_code == '0') & rs.next():
        # 获取一条记录，将记录合并在一起
        result_list.append(rs.get_row_data())
    result = pd.DataFrame(result_list, columns=rs.fields)
    peTTM = float(result['peTTM'][0])
    return peTTM
# 计算上市公司已上市时间（天为单位，截至日期为程序运行时的当天）
def getIPODate(stock_code):
    rs = bs.query_stock_basic(code=stock_code)
    data_list = []
    while (rs.error_code == '0') & rs.next():
        # 获取一条记录，将记录合并在一起
        data_list.append(rs.get_row_data())
    result = pd.DataFrame(data_list, columns=rs.fields)
    ipoDate = datetime.datetime.strptime(result['ipoDate'][0], "%Y-%m-%d").date()
    nowDate = datetime.datetime.now().date()
    ipoDays = (nowDate-ipoDate).days
    return ipoDays
# 计算最新总市值
def getMK(stock_code,start_date,end_date,year):
    profit_list = []
    rs_profit = bs.query_profit_data(code=stock_code, year=year, quarter=1)
    while (rs_profit.error_code == '0') & rs_profit.next():
        profit_list.append(rs_profit.get_row_data())
    result_profit = pd.DataFrame(profit_list, columns=rs_profit.fields)
    totalShare = result_profit['totalShare']  # 提取总股本
    rs = bs.query_history_k_data_plus(stock_code,
                                      "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",
                                      start_date=start_date, end_date=end_date,
                                      frequency="d", adjustflag="3")
    data_list = []
    while (rs.error_code == '0') & rs.next():
        data_list.append(rs.get_row_data())
    result = pd.DataFrame(data_list, columns=rs.fields)
    close_price = result['close']  # 提取最新收盘股价
    if result.empty or result_profit.empty:
        return [0,0,0]
    # 计算总市值
    totalMK = 0
    try:
        totalMK = float(close_price[0]) * float(totalShare[0])
    except KeyError as e:
        print("股票代码", stock_code, "市值计算错误")
    return [totalMK, close_price[0], totalShare[0]]
# 计算近三年平均股息率,以百分数点数形势返回，返回8.9表明股息率为8.9%
def getYield(stock_code,price,years):
    with open("stock_bonuses.pkl", "rb") as file:
        dict = pickle.load(file)
    file.close()
    # 提取最近三年的分红数据
    data = []
    try:
        for year in years:
            for item in dict[stock_code]:
                if str(item[0]).find(str(year)) != -1:
                    data.append(item)
    except KeyError as e:
        return 0
    Yield = 0
    for item in data:
        zeroindex = str(item[1]).find("不分配不转增")
        zgindex = str(item[1]).find("10转")
        sp1 = str(item[1]).find("10送")
        sp2 = str(item[1]).find("股派")
        # 计算派股的情形，派股暂时按0%计算股息
        if zeroindex == -1:
            try:
                bonous = 0
                if zgindex == -1:
                    if sp1 == -1 and sp2 == -1:
                        bonous = float(str(item[1]).replace("10派", "").replace("元(含税)", ""))
                    # 计算又送股又派股的情形
                    if sp1 != -1 and sp2 != -1:
                        bonous = float(str(item[1]).split("股派")[1].replace("元(含税)", ""))
                Yield  = Yield + bonous
            except ValueError as e:
                print("分红比例计算错误:", stock_code)
                print("错误结果", ((Yield/3)/float(price))*10)
                print(e)
    return ((Yield/3)/float(price))*10

# 提取同花顺的上市公司分红数据
def getBonus(stock_list):
    url_pre = "https://basic.10jqka.com.cn/mobile/"
    url_last = "/bonusn.html"
    headers = {
        'cookie':'v=g6',
        'sec-ch-ua': '"Chromium";v="116", "Not)A;Brand";v="24", "Google Chrome";v="116"',
        'sec-ch-ua-mobile':'?0',
        'sec-ch-ua-platform':'windows',
        'Upgrade-Insecure-Requests':'1',
        'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 116.0.0.0 Safari / 537.36',
        'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
        'Sec-Fetch-Site': 'none',
        'Sec-Fetch-Mode': 'navigate',
        'Sec-Fetch-User': '?1',
        'Sec-Fetch-Dest': 'document',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'en, en - IN;q = 0.9'
    }

    dict = {}
    for stock_code in stock_list:
        stock_bonuses = []
        url = url_pre+stock_code+url_last
        # url = 'https://httpbin.org/headers'
        response = requests.get(url=url, headers=headers)
        time.sleep(0.5)
        response.encoding = 'utf8'
        html = response.content
        soup = BeautifulSoup(html, 'html.parser')
        years = soup.select(".trHead")  #财报年度和类型（年报/中报）
        tl = soup.select(".tl")   #分红情况
        for i in range(1, len(years)):
            key = str(years[i]).replace('<td class="trHead">', "").replace('<td class="tl">', '').replace("</td>", "")
            value = str(tl[i]).replace("</td>", "").replace('<td class="tl">', '')
            stock_bonuses.append([key, value])
        dict[stock_code] = stock_bonuses
    with open("stock_bonuses1.pkl", "wb") as file:
        pickle.dump(dict, file)
    file.close()

# 提取上市公司每年扣非净利润
def getDeductionOfNonNetProfit(stock_list):
    url_pre = "https://basic.10jqka.com.cn/basicapi/finance/stock/index/stack/?code="
    url_last = "&market=33&id=index_deduct_holder_net_profit&period=-1&locale=zh_CN"
    headers = {
        'cookie': 'v=f3',
        'sec-ch-ua': '"Chromium";v="116", "Not)A;Brand";v="24", "Google Chrome";v="116"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': 'windows',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 116.0.0.0 Safari / 537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
        'Sec-Fetch-Site': 'none',
        'Sec-Fetch-Mode': 'navigate',
        'Sec-Fetch-User': '?1',
        'Sec-Fetch-Dest': 'document',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'en, en - IN;q = 0.9'
    }

    dict = {}
    for stock_code in stock_list:
        DeductionOfNonNetProfit = []
        url = url_pre + stock_code + url_last
        response = requests.get(url=url, headers=headers)
        # time.sleep(0.5)
        response.encoding = 'utf8'
        json_data = response.text
        stock_lists = json.loads(json_data)
        for item in stock_lists["data"]["data"]:
            DeductionOfNonNetProfit.append(item)
        dict[stock_code] = DeductionOfNonNetProfit

    with open("DeductionOfNonNetProfit1.pkl", "wb") as file:
        pickle.dump(dict, file)
    file.close()
# 提取上市公司ROE数据
def getROE(stock_list):
    url_pre = "https://basic.10jqka.com.cn/basicapi/finance/stock/index/stack/?code="
    url_last = "&market=33&id=index_weighted_avg_roe&period=-1&locale=zh_CN"
    headers = {
        'cookie': 'v=d7',
        'sec-ch-ua': '"Chromium";v="116", "Not)A;Brand";v="24", "Google Chrome";v="116"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': 'windows',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 116.0.0.0 Safari / 537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
        'Sec-Fetch-Site': 'none',
        'Sec-Fetch-Mode': 'navigate',
        'Sec-Fetch-User': '?1',
        'Sec-Fetch-Dest': 'document',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'en, en - IN;q = 0.9'
    }
    dict = {}
    for stock_code in stock_list:
        ROE = []
        url = url_pre + stock_code + url_last
        response = requests.get(url=url, headers=headers)
        # time.sleep(0.5)
        response.encoding = 'utf8'
        json_data = response.text
        stock_lists = json.loads(json_data)
        for item in stock_lists["data"]["data"]:
            ROE.append(item)
        dict[stock_code] = ROE
    print(dict)
    with open("ROE1.pkl", "wb") as file:
        pickle.dump(dict, file)
    file.close()
# 提取上市公司所属行业
def queryIndustry(stock_code):
    rs = bs.query_stock_industry(code=stock_code)
    industry_list = []
    while (rs.error_code == '0') & rs.next():
        industry_list.append(rs.get_row_data())
    result = pd.DataFrame(industry_list, columns=rs.fields)
    return(result.industry[0])

# 计算一只股票指定年份的分红比例=(总股本*年报每股派息)/年报扣非净利润
def getDividendRatio(stock_code, totalShare, year):
    # 读取年报每股派息表
    with open("stock_bonuses.pkl", "rb") as file:
        bonusesData = pickle.load(file)
    file.close()
    # 读取净利润表
    with open("DeductionOfNonNetProfit.pkl", "rb") as file:
        deductionOfNonNetProfitData = pickle.load(file)
    bonuseindex = []
    for i in range(0, len(bonusesData[stock_code])):
        if str(bonusesData[stock_code][i][0]).find(str(year)) != -1 :
            bonuseindex.append(i)
    file.close()
    bonous = 0
    # 计算年度每股派息
    for i in bonuseindex:
        if bonusesData[stock_code][i][1].find("不分配不转增") == -1:
            zgindex = bonusesData[stock_code][i][1].find("10转")
            sp1 = str(bonusesData[stock_code][i]).find("10送")
            sp2 = str(bonusesData[stock_code][i]).find("股派")
            if zgindex == -1:
                if sp1 == -1 and sp2 == -1:
                    bonous = bonous + float(str(bonusesData[stock_code][i][1]).replace("10派", "").replace("元(含税)", ""))
                # 计算又送股又派股的情形
                if sp1 != -1 and sp2 != -1:
                    bonous = bonous + float(str(bonusesData[stock_code][i][1]).split("股派")[1].replace("元(含税)", ""))
            else:
                bonous = bonous + 0
    # 计算年度总分红金额
    totalBonous = (bonous/10)*totalShare
    # 提取年度扣非净利润
    deductionOfNonNetProfit = 0
    for item in deductionOfNonNetProfitData[stock_code]:
        if item["name"] == str(year)+"年报":
            deductionOfNonNetProfit = item["value"]
    # 计算指定年度的分红比例
    DividendRatio = totalBonous/float(deductionOfNonNetProfit)
    return DividendRatio*100

# 计算一只股票指定年份的ROE
def getROEbyYear(stock_code, year):
    # 读取ROE表
    with open("ROE.pkl", "rb") as file:
        ROEData = pickle.load(file)
    file.close()
    ROE = 0
    for item in ROEData[stock_code]:
        if item["name"] == str(year) + "年报":
            ROE = item["value"]
    return float(ROE)
# 提取上市公司每股经营现金流数据
def getOperatingCashFlow(stock_list):
    url_pre = "https://basic.10jqka.com.cn/basicapi/finance/stock/index/stack/?code="
    url_last = "&market=33&id=index_per_operating_cash_flow_net&period=-1&locale=zh_CN"
    headers = {
        'cookie': 'v=A123',
        'sec-ch-ua': '"Chromium";v="116", "Not)A;Brand";v="24", "Google Chrome";v="116"',
        'sec-ch-ua-mobile': '?0',
        'sec-ch-ua-platform': 'windows',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 116.0.0.0 Safari / 537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',
        'Sec-Fetch-Site': 'none',
        'Sec-Fetch-Mode': 'navigate',
        'Sec-Fetch-User': '?1',
        'Sec-Fetch-Dest': 'document',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'en, en - IN;q = 0.9'
    }
    dict = {}
    for stock_code in stock_list:
        OperatingCashFlow = []
        url = url_pre + stock_code + url_last
        response = requests.get(url=url, headers=headers)
        # time.sleep(0.5)
        response.encoding = 'utf8'
        json_data = response.text
        stock_lists = json.loads(json_data)
        for item in stock_lists["data"]["data"]:
            OperatingCashFlow.append(item)
        dict[stock_code] = OperatingCashFlow
    print(dict)
    with open("OperatingCashFlow1.pkl", "wb") as file:
        pickle.dump(dict, file)
    file.close()

#判断一只股票是否最近三年经营现金流持续为正
def checkOperatingCashFlow(stock_code,year_list):
    # 读取每股经营现金流表
    with open("OperatingCashFlow.pkl", "rb") as file:
        OperatingCashFlowData = pickle.load(file)
    file.close()
    index = []
    for year in year_list:
        for i in range(0, len(OperatingCashFlowData[stock_code])):
            if OperatingCashFlowData[stock_code][i]["name"] == str(year) + "年报":
                index.append(i)
                break
    for i in index:
        value = float(OperatingCashFlowData[stock_code][i]["value"])
        if value < 0:
            return False
        else:
            pass
    return True


if __name__ == '__main__':
    # 登陆baostock API
    lg = bs.login()
    # 显示登陆返回信息
    if lg.error_code != '0':
        print('login respond error_code:' + lg.error_code)
        print('login respond  error_msg:' + lg.error_msg)
    else:
        for stock in stock_lists:
            code_pre = stock['dm']  # 读取股票代码
            exchange = stock['jys']  # 读取交易所
            stock_name = stock["mc"]      #读取股票名称
            stock_code = exchange + '.' + code_pre  # 合并成baostock API要求的股票代码
            date = '2023-11-07'
            rs = bs.query_stock_basic(code=stock_code)
            data_list = []
            while (rs.error_code == '0') & rs.next():
                # 获取一条记录，将记录合并在一起
                data_list.append(rs.get_row_data())
            result = pd.DataFrame(data_list, columns=rs.fields)
            try:
                status = str(result['status'][0])
                type = str(result['type'][0])
            except KeyError as e:
                status = -1
                type = -1
            # 剔除退市股以及非股票类权益
            if status == '1' and type == '1':
                totalMK = getMK(stock_code=stock_code, start_date=date, end_date=date, year=year)
                # 读取最新股价
                price = float(totalMK[1])
                # 读取总股本
                share = float(totalMK[2])
                # 条件一：筛掉市值小于50亿的股票
                if totalMK[0] > 5000000000:
                    # 条件二：筛选出滚动市盈率为正且小于25倍的公司
                    peTTM = getPeTTM(stock_code=stock_code, start_date=date, end_date=date)
                    if peTTM > 0 and peTTM < 25:
                        # 条件三：筛选出上市日期短于三年的股票
                        ipoDays = getIPODate(stock_code=stock_code)
                        if ipoDays > 365 * 3:
                            # 计算股息率
                            bonous = getYield(stock_code=code_pre, price=price, years=[2020, 2021, 2022])
                            # 判断行业
                            industry = queryIndustry(stock_code=stock_code)
                            # 金融股：股息率大于5%，当年分红比例大于35%或3年平均大于35%
                            if industry == "非银金融" or industry == "银行":
                                if bonous >= 5:
                                    # 计算当年分红比例和三年平均分红比例
                                    DividendRatio = getDividendRatio(stock_code=code_pre, totalShare=share, year=2022)
                                    if DividendRatio >= 0:
                                        # 计算年度ROE
                                        ROE = getROEbyYear(stock_code=code_pre, year=2022)
                                        if ROE > 10:
                                            print(stock_code, stock_name, industry, price, str(float(totalMK[0]) / 100000000) + "亿", peTTM,
                                                  str(ipoDays / 365) + "年", str(bonous) + "%", str(DividendRatio) + "%",
                                                  str(ROE))
                            else:
                                # 非金融股：股息率大于3%，分红比例当年大于45%或者3年平均大于45%
                                if bonous >= 3:
                                    # 计算当年分红比例和三年平均分红比例
                                    DividendRatio = getDividendRatio(stock_code=code_pre, totalShare=share, year=2022)
                                    if DividendRatio >= 45:
                                        # 计算三年平均ROE
                                        ROE = getROEbyYear(stock_code=stock_code.split(".")[1], year=2022)
                                        if ROE > 8:
                                            # 计算近三年经营现金流
                                            result = checkOperatingCashFlow(stock_code=code_pre,
                                                                            year_list=[2020, 2021, 2022])
                                            if result == True:
                                                print(stock_code, stock_name, industry,price, str(float(totalMK[0]) / 100000000) + "亿",
                                                      peTTM,
                                                      str(ipoDays / 365) + "年", str(bonous) + "%",
                                                      str(DividendRatio) + "%",
                                                      str(ROE))

    #### 登出系统 ####
    bs.logout()
KogRow
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
对铁路公路行业投资机会的专题思考：利率下行周期内，铁路公路高股息标的投资价值更优.pdf
07-04
对铁路公路行业投资机会的专题思考：利率下行周期内，铁路公路高股息标的投资价值更优.pdf
03070 平安香港高息股ETF的简要分析 - 看看港股适合定投的养老属性的ETF们
安静的蜗牛
07-02 404
寻找系列适合定投的养老股。
打开量化投资黑箱-v2-黑箱结构
zhaohui blog
11-21 4038
《打开量化投资黑箱- v2》 中第一部分量化交易背景知识和第二部分黑箱内容，笔记整理。
4年3倍，高股息低价小市值量化交易策略
qq_22808537的博客
08-25 487
买卖逻辑：选取排名前 10 的票，15天轮动调仓一次，依然排名前 10 的继续持有，掉出前 10 的卖出。股票池：全 A 股票，过滤科创板、过滤北交所、过滤 ST、过滤停牌、过滤涨停、过滤跌停。选股逻辑：先筛选出全市场股息率最高的前 25%的股票，并且只选择股价低于 9 元的票。排序逻辑：按照市值，从小到大排序，选择市值最小的前 10 只票。1. 股息率排序标准可以考虑多年平均股息率,而不是一年的股息率。1. 价格过滤标准9元可以动态设置,比如过滤掉涨停价格。1. 按市值排序可以防止过于偏大市值股票。
第二证券：中国石油涨停！低估值+高股息+积极回购助力国企板块大爆发
CAKDJF的博客
01-26 402
自1月23日大盘再次走出阶段性底部以来，国有企业个股累计均匀上涨8.26%，其间当地国企个股均匀上涨7.35%，央企个股均匀上涨10.16%，同期上证指数、沪深300指数涨幅分别为5.43%、3.85%。从2020年~2022年均匀股息率（按期末收盘日计算）来看，A股全体股息率中位数0.98%，当地国企个股股息率中位数高达1.3%，央企个股股息率中位数达1.09%，超越大众企业、民营企业等属性的公司。2023年以来，A股低迷，国有企业挑起大梁，活跃开展回购、增持，以显示公司开展决心。
第四章：经典量化策略集锦（第一篇：投资高股息股票 ）
无语僧
05-11 2726
第一篇：投资高股息股票 导语：作为策略锦集的第一篇，我们结合当前A 股市场的价值投资风向，向大家介绍极具实 践意义的股息率选股策略。 一、股息率策略阐述     无论是初入市场的新手，还是经历市场风雨后的老手，每个投资者都会面临 “如何选 股”的问题，凯利.赖特在2011 年出版的 《选股，一定要看股息》中讲述了股息价值投资策 略，并独具匠心地指出，对于那些理解和重视股息收益的投资者，股市会给予他...
BaoStock：使用python的baostock接口，查询除权除息信息
dongdong2980的博客
06-07 3435
证券宝www.baostock.com是一个免费、开源的证券数据平台。提供大量准确、完整的证券历史行情数据、上市公司财务数据、实时证券行情推送服务等。通过python API获取证券数据信息，满足量化交易投资者、数量金融爱好者、计量经济从业者数据需求。 本次介绍 接口：获取除权除息信息query_dividend_data()...
利用baostock获取上市公司财务指标
firefox_yau的博客
09-19 1267
利用baostock获取上市公司的财务指标 1、导入模块，登录baostock import baostock as bs import pandas as pd import time # 登陆系统 lg = bs.login() # 显示登陆返回信息 print('login respond error_code:'+lg.error_code) print('login respond error_msg:'+lg.error_msg) 2、查询股票代码、行业板块 # 查询股票代码 rs=.
Python股票多因子选股模型（PCA因子合成、等权重因子合成、综合打分法），压缩包中含有全部因子数据集
02-15
Python多因子选股模型 1.因子数据合并 2.行业中性化 3.数据标准化 4.异常值数据和离群点处理 5.PCA因子合成 6.等权重因子合成 7.综合打分法（IC值计算） 8.策略回测：选取前排名前20只股票买入 9.收益曲线绘制 包含...
股票分红率排行榜，股票股息率排行榜
02-15
截止2023年底的A股股息率排行榜，分红率排行榜
量化投资月报：6月看好价值风格，推荐高股息模型（27页）.pdf
02-09
量化投资月报：6月看好价值风格，推荐高股息模型（27页）.pdf
东吴证券_0601_金工定期报告：预期高股息组合跟踪.pdf
07-28
东吴证券_0601_金工定期报告：预期高股息组合跟踪.pdf
国金证券-高股息策略思考：A股高股息策略应用准则-230511.pdf
06-21
国金证券-高股息策略思考：A股高股息策略应用准则-230511.pdf
99-智慧园区数据平台方案.pptx
04-27
99-智慧园区数据平台方案.pptx
node-v12.11.1-x86.msi
最新发布
04-27
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
基于Springboot+Vue华强北商城二手手机管理系统-毕业源码案例设计.zip
04-27
网络技术和计算机技术发展至今，已经拥有了深厚的理论基础，并在现实中进行了充分运用，尤其是基于计算机运行的软件更是受到各界的关注。加上现在人们已经步入信息时代，所以对于信息的宣传和管理就很关键。系统化是必要的，设计网上系统不仅会节约人力和管理成本，还会安全保存庞大的数据量，对于信息的维护和检索也不需要花费很多时间，非常的便利。 网上系统是在MySQL中建立数据表保存信息，运用SpringBoot框架和Java语言编写。并按照软件设计开发流程进行设计实现。系统具备友好性且功能完善。 网上系统在让售信息规范化的同时，也能及时通过数据输入的有效性规则检测出错误数据，让数据的录入达到准确性的目的，进而提升数据的可靠性，让系统数据的错误率降至最低。 关键词：vue；MySQL；SpringBoot框架 【引流】 Java、Python、Node.js、Spring Boot、Django、Express、MySQL、PostgreSQL、MongoDB、React、Angular、Vue、Bootstrap、Material-UI、Redis、Docker、Kubernetes
Excel模版：工资条模板
04-27
Excel工资条模板是一种预先设计好的电子表格文件，主要用于生成和打印员工的工资单，让员工清楚了解自己的工资组成和扣款详情。模板通常包含了以下几个关键部分： 1. **员工信息区**： - 姓名 - 员工编号/工号 - 部门 - 职位 2. **工资构成区**： - 基本工资 - 岗位工资 - 绩效奖金 - 加班工资 - 其他补贴（如交通补贴、餐补、全勤奖等） - 各项津贴（如高温补贴、取暖费等） - 其他应发收入（如年终奖、提成、福利等） 3. **扣款项目区**： - 社保扣款（养老保险、医疗保险、失业保险、工伤保险、生育保险） - 住房公积金 - 个人所得税 - 其他扣款（如迟到、旷工、违规罚款等） - 预借还款（如有） 4. **工资结算区**： - 应发工资总额 - 扣款总额 - 实发工资 5. **备注栏**： - 用于标注本月工资的特殊情况说明，如请假、调休、加班等情况。 6. **签名栏**： - 供员工确认工资数额无误后签名，也可以
29-【智慧城市与政府治理分会场】10亿大数据助推都市治理-30页.pdf
04-27
29-【智慧城市与政府治理分会场】10亿大数据助推都市治理-30页.pdf
data-python量化分析_基本面选股模型
05-14
Python在量化分析领域有着广泛的应用，其中基本面选股模型是其中一种重要的应用。基本面选股模型主要是通过分析公司的财务数据，如收益、利润、负债和股息等，来预测其未来的股价表现，进而进行投资决策。 Python作为一种强大的编程语言和数据分析工具集，为基本面选股提供了一个有效的平台。它提供了几个经典的开源模块，如Pandas，NumPy和SciPy，这些模块可以实现各种复杂的计算和统计分析。 在基本面选股模型中，我们可以利用Python对公司财务数据进行处理和分析。例如，我们可以使用Pandas模块来读取和清理数据，使用NumPy模块来计算财务指标，例如收益和利润，同时使用SciPy模块来建立统计模型，预测公司未来的财务表现。 利用Python进行基本面选股模型的优势在于，它可以快速处理大量数据，并自动化处理重复的任务。此外，Python的强大功能使得分析和建模变得更为简单，让投资者能够更准确地预测股价表现，从而更好地制定投资决策。 最后，需要注意的是，尽管基本面选股模型可以通过Python实现，但仍需投资者有一定的财务分析知识和经验，才能更有效地利用Python分析股票市场。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值