前几篇的教程都是关于择时的策略,今天打算写一篇选股的策略——基于市值的选股策略。 了解Alpha策略和Fama_French三因子模型的人都知道,市值因子是一个长期有效的超额收益来源,对股票收益率有一定的解释作用,小市值的股票更容易带来超额收益。这也比较好理解,因为小市值类股票往往表现活跃,容易引发炒作风潮。此外,还有IPO管制的原因(大量排队企业选择借壳),也有市场风险偏好提升的原因(市场恶性循环越来越偏爱小市值)。 现在,开始正式介绍策略部分吧。为方便小伙伴们理解,我们会介绍更详细和具体。 策略逻辑:市值可以带来超额收益 策略内容:每月月初买入市值最小的30只股票,持有至下个月月初再调仓 资金管理:等权重买入 风险控制:无单只股票仓位上限控制、无止盈止损 第一步:获取数据 BigQuant平台具有丰富的金融数据,包括行情数据和财报数据,并且具有便捷、简单的API调用接口。获取数据的代码如下: # 获取股票代码 instruments = D.instruments() # 确定起始时间 start_date = '2013-01-01' # 确定结束时间 end_date = '2017-05-07' # 获取股票总市值数据,返回DataFrame数据格式 market_cap_data = D.history_data(instruments,start_date,end_date, fields=['market_cap','amount']) 在上面的代码中,history_data是我们平台获取数据的一个重要API。fields参数为列表形式,传入的列表即为我们想要获取的数据。 第二步:整理买入股票列表 daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values('market_cap')[:30]) 上面代码的目的是整理出每个交易日市值最小的30只股票。 第三步:回测主体 我们平台策略回测有丰富的文档介绍,请参考1: # 回测参数设置,initialize函数只运行一次 def initialize(context): # 手续费设置 context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) # 调仓规则(每月的第一天调仓) context.schedule_function(rebalance,date_rule=date_rules.month_start(days_offset=0)) # 传入 整理好的调仓股票数据 context.daily_buy_stock = daily_buy_stock # handle_data函数会每天运行一次 def handle_data(context,data): pass # 换仓函数 def rebalance(context, data): # 当前的日期 date = data.current_dt.strftime('%Y-%m-%d') # 根据日期获取调仓需要买入的股票的列表 stock_to_buy = list(context.daily_buy_stock.ix[date].instrument) # 通过positions对象,使用列表生成式的方法获取目前持仓的股票列表 stock_hold_now = [equity.symbol for equity in context.portfolio.positions] # 继续持有的股票:调仓时,如果买入的股票已经存在于目前的持仓里,那么应继续持有 no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy] # 需要卖出的股票 stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell] # 卖出 for stock in stock_to_sell: # 如果该股票停牌,则没法成交。因此需要用can_trade方法检查下该股票的状态 # 如果返回真值,则可以正常下单,否则会出错 # 因为stock是字符串格式,我们用symbol方法将其转化成平台可以接受的形式 if data.can_trade(context.symbol(stock)): # order_target_percent是平台的一个下单接口,表明下单使得该股票的权重为0, # 即卖出全部股票,可参考回测文档 context.order_target_percent(context.symbol(stock), 0) # 如果当天没有买入的股票,就返回 if len(stock_to_buy) == 0: return # 等权重买入 weight = 1 / len(stock_to_buy) # 买入 for stock in stock_to_buy: if data.can_trade(context.symbol(stock)): # 下单使得某只股票的持仓权重达到weight,因为 # weight大于0,因此是等权重买入 context.order_target_percent(context.symbol(stock), weight) 第四步:回测接口 # 使用第四版的回测接口,需要传入多个策略参数 m=M.backtest.v5( instruments=instruments, start_date=start_date, end_date=end_date, # 必须传入initialize,只在第一天运行 initialize=initialize, # 必须传入handle_data,每个交易日都会运行 handle_data=handle_data, # 买入以开盘价成交 order_price_field_buy='open', # 卖出也以开盘价成交 order_price_field_sell='open', # 策略本金 capital_base=1000000, # 比较基准:沪深300 benchmark='000300.INDX', ) 好嘞,策略就完全写好了。我们运行完曲线如下: 回测结果比较真实,小市值策略在过去几年确实是这样的表现。2017年以来,中小盘风格转换明显,创业板、中小板走势比较弱,因此该策略也面临较大回撤。 原文链接(思想+源码)