这个量化策略的核心在于选取过去三年平均股息率最高的股票，在每年的5月进行调仓，买入卖出，一年只调仓一次，年化收益比沪深300强，适合稳健的价值投资者。

回测数据如下：

*回测数据只作测试用，不代表未来实际收益

定义了运行周期、基础股票池、持股数

# 设置策略
run_monthly(handle_trader, 1, '9:45')
# 设置参数
g.index = '000300.XSHG' #投资指数
g.num = 1 #选股数
g.stocks = [] #股票池

2、选股逻辑

（1）基本面筛选

主要指标有：市净率大于0，市盈率大于0，市现率大于0，市净率需大于市盈率的15%

sdf = get_fundamentals(query(
            valuation.code,
            valuation.market_cap, #单位，亿元
        ).filter(
            valuation.code.in_(stocks),
            # 市净率大于0（排除净资产为负的公司）
            valuation.pb_ratio > 0,
            # 市盈率大于0（排除亏损企业）
            valuation.pe_ratio > 0,
            # 市现率大于0（现金流为正）
            valuation.pcf_ratio > 0,
            # 市净率需大于市盈率的15%
            valuation.pb_ratio > 0.15*valuation.pe_ratio,
        )).dropna().set_index('code')

（2）计算最近三年平均股息率

最重要的指标：最近三年平均股息率

dt_3y = context.current_dt.date() - dt.timedelta(days=3*365)
    dt_now = context.current_dt.date()
    ddf = finance.run_query(query(
            finance.STK_XR_XD.code,
            finance.STK_XR_XD.company_name,
            finance.STK_XR_XD.board_plan_pub_date,
            finance.STK_XR_XD.bonus_amount_rmb, #单位，万元
        ).filter(
            finance.STK_XR_XD.code.in_(stocks),
            finance.STK_XR_XD.board_plan_pub_date > dt_3y,
            finance.STK_XR_XD.board_plan_pub_date < dt_now,
            finance.STK_XR_XD.bonus_amount_rmb > 0
        )).dropna()
    stocks = list(set(ddf.code))
    # 累计分红
    divy = pd.Series(data=zeros(len(stocks)), index=stocks)
    for k in ddf.index:
        s = ddf.code[k]
        divy[s] += ddf.bonus_amount_rmb[k]
    # 建立数据表
    sdf = sdf.reindex(stocks)
    sdf['div_3y'] = divy
    # 计算股息率
    sdf['div_ratio'] = 1e-2 * sdf.div_3y / sdf.market_cap

3、调仓逻辑

选取最近三年平均股息率最高的股票，每年5月进行调仓，卖出不在目标股票池的股票，买入新进目标股票池的股票

# 按年更新
    if context.current_dt.month in [5]:
        g.stocks = choice_stocks(context, g.index, g.num)
    # 卖出
    cdata = get_current_data()
    for s in context.portfolio.positions:
        if s not in g.stocks and not cdata[s].paused:
            log.info('sell', s, cdata[s].name)
            order_target(s, 0)
    # 买进
    position = 0.99*context.portfolio.total_value / max(1, len(g.stocks))
    for s in g.stocks:
        if s not in context.portfolio.positions and not cdata[s].paused and\
            context.portfolio.available_cash > position:
            log.info('buy', s, cdata[s].name)
            order_value(s, position)