量化投资策略与技术学习PART1：量化选股之再谈多因子模型

大家好，欢迎来到IT知识分享网。

有关量化选股业绩评价要从两方面来考虑：一个是收益率，另一个是风险指数（最大回撤）。量化选股需要考虑的是在承担多大的风险情况下的收益率情况（夏普比）

夏普比率衡量基金的风险收益比，即每承受一单位总风险，可以相较无风险利率产生多少超额收益。因此，夏普比率越大，代表基金的收益风险表现越好。夏普比率 =（基金年化收益率 – 无风险利率） / 基金年化波动率。举例来说，如果基金A的夏普比率为0.5，而同类型基金的平均夏普比率为0.2，则意味着基金A的风险收益表现优于同类型基金的平均水平。

多因子模型

基本概念

策略模型

多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的校验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进5个步骤

1、候选因子的选取

候选因子可以是基本面指标，也可以是技术面指标，还可以是一下其他辅助指标，候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力、提高收益的关键因素之一。

2、选股因子有效性的校验

3、有效但冗余因子的剔除

不同的选股因子可能由于内在的驱动因素相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类中收益最好、区分度最高的因子。

4、综合评分模型的建立

根据模型所得出的综合平均分对股票进行排序，然后根据需要选择排名靠前的股票

5、模型的评价及持续改进

一方面，由于量化选股方法是建立在市场无效或弱有效的前提之下的，随着使用多因子选股模型的投资者数量的不断增加，有些因子会逐渐失效，而另一些新的因子可能被校验有效而加入到模型中；另一方面，一些因子可能在过去的市场环境下比较有效，而随着市场风格的改变，这些因子可能在短期内失效，而另外一些以前无效的因子会在当前市场环境下表现更好。

实战练习

首先建立了一个Multi_factor_stock_selection.py文件，用于存储选股函数

# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
import pandas as pd
import numpy as np
import datetime
"""
《量化投资策略与技术》：量化选股——多因子选股
多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的校验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进5个步骤
STEP0:建立股票资源池，获取股票代码列表get_symbol_list_all()
STEP1:
STEP2:
STEP3:
STEP4:
STEP5:
"""


"""
函数名：get_symbol_list_all():
输入参数：null
输出参数：target_symbol_list 数据类型：list
函数作用：获取指定指数全部的成分股代码，目前这里选取了上证和中证几个重要的指数建立了股票资源池：可参考文章：https://blog.csdn.net/_26285867/article/details/140749688
"""
def get_symbol_list_all():

    A_share_list = {"SHSE.000010": "SHANG_ZHENG180", "SHSE.000009": "SHANG_ZHENG380", "SHSE.000300": "HU_SHEN300",
                     "SHSE.000905": "ZHONG_ZHENG500", "SHSE.000906": "ZHONG_ZHENG800","SHSE.000852": "ZHONG_ZHENG1000"}
    A_share_main = {"600", "601", "602", "603", "000", "001", "002", "003"} #沪深主板股票代码的开头
    symbol_list_all = pd.DataFrame([])
    for key in A_share_list.keys():
        symbol_list = stk_get_index_constituents(key)  # 获取指数成分股数据
        symbol_list_all = pd.concat([symbol_list_all, symbol_list], ignore_index=True)
        # symbol_list_all =symbol_list_all.append(symbol_list)  #新语句中append已经弃用
    symbol_set = symbol_list_all["symbol"].values
    target_symbol_list= []
    for symbol in symbol_set:#从股票池中寻找主板股票
        if symbol[5:8] in A_share_main and symbol not in target_symbol_list:
            target_symbol_list.append(symbol)
    print("沪深主板股票资源池数量",len(target_symbol_list))
    return target_symbol_list
"""
函数名：sort_symbol_by_finance_prime(symbol_list,time,filed,n = 5)
输入参数：symbol_list 数据类型：list 初始股票清单
输入参数：time 查询财务主要指标的时间
输入参数：filed 查询财务主要指标标的
输入参数：n 获得的目标股票个数
输出参数：target_symbol_top,target_symbol_down 输出排序前n个的股票及排序后n个的股票
函数作用：根据主要财务指标对股票池中的股票进行排序，输出前n个股票及后n个股票
"""
def sort_symbol_by_finance_prime(symbol_list,time,filed,n = 5):
    last_day = get_previous_trading_date("SHSE",time)
    choose_symbol_list = []
    data = stk_get_finance_prime_pt(symbols=symbol_list, fields=filed, rpt_type=None, data_type=None, date=last_day, df=True)
    finance_prime = data.sort_values(filed,ascending=False) #根据选择的因子对股票进行排序
    finance_prime = finance_prime.dropna() #删除无效数据
    finance_prime = finance_prime.reset_index(drop=True) #重置索引值
    print(finance_prime)
    target_list = finance_prime["symbol"].values #获得排序后的股票代码清单
    target_symbol_top = target_list[:n] #取列表中前5只作为标的股票
    target_symbol_down = target_list[-n:]  # 取列表中前5只作为标的股票
    print(target_symbol_top)
    print(target_symbol_down)
    return target_symbol_top,target_symbol_down


# 可以直接提取数据，掘金终端需要打开，接口取数是通过网络请求的方式，效率一般，行情数据可通过subscribe订阅方式
# 设置token， 查看已有token ID,在用户-密钥管理里获取
set_token('自己的token码')
# 查询历史行情, 采用定点复权的方式， adjust指定前复权，adjust_end_time指定复权时间点
day_time, hour_and_mins = str(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')).split(" ")  # Python time.strftime() 函数用于格式化时间，返回以可读字符串表示的当地时间;详细用法见 https://www.runoob.com/python/att-time-strftime.html
symbol_list = get_symbol_list_all()
filed = ["eps_basic"]
sort_symbol_by_finance_prime(symbol_list,day_time,filed)

回测中比较有效的基本面因子

我选择的掘金终端进行回测，所以以下分类和代号也是参考掘金终端中的分类方式，同时部分指标有可能是因为获取的数据不全而剔除，并未是因为因子无效而剔除，回测函数的代码如下：

# coding=utf-8 from __future__ import print_function, absolute_import from gm.api import * import os import Multi_factor_stock_selection def init(context): # 在init函数中设置全局变量 # algo执行定时任务函数，只能传context参数 # index股票池代码，沪深300 # num买卖股票数据，暂定5只 # schedule在指定时间自动执行策略算法, 通常用于选股类型策略，每月一次，早上9点31分执行定时任务 # date_rule执行频率，目前暂时支持1d、1w、1m，其中1w、1m仅用于回测，实时模式1d以上的频率，需要在algo判断日期 # time_rule执行时间， 注意多个定时任务设置同一个时间点，前面的定时任务会被后面的覆盖 context.num = 50 context.filed = ["roa"] schedule(schedule_func=algo, date_rule='1m', time_rule='09:31:00') #设置回测方式，定时任务 def algo(context): now = context.now #获取当前时间 order_close_all() #这里为例简化，全部清仓上一阶段股票 symbol_list = Multi_factor_stock_selection.get_symbol_list_all() target_symbol_top, target_symbol_down = Multi_factor_stock_selection.sort_symbol_by_finance_deriv_pt(symbol_list,now,context.filed,context.num) # for symbol in target_symbol_down:#买入排名后5名的股票 for symbol in target_symbol_top: #买入排名前5名的股票 order_target_percent(symbol=symbol,percent=1/context.num,order_type=OrderType_Market,position_side=PositionSide_Long) #执行买入操作 # 查看最终的回测结果 def on_backtest_finished(context, indicator): print(indicator) if __name__ == '__main__': ''' strategy_id策略ID,由系统生成 filename文件名,请与本文件名保持一致 mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST token绑定计算机的ID,可在系统设置-密钥管理中生成 backtest_start_time回测开始时间 backtest_end_time回测结束时间 backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST backtest_initial_cash回测初始资金 backtest_commission_ratio回测佣金比例 backtest_slippage_ratio回测滑点比例 backtest_match_mode市价撮合模式，以下一tick/bar开盘价撮合:0，以当前tick/bar收盘价撮合：1 ''' run(strategy_id='自己的策略ID', filename='Multi_factor_stock_selection_test.py', mode=MODE_BACKTEST, token='自己的token码', backtest_start_time='2021-03-01 09:00:00', backtest_end_time='2023-03-01 15:00:00', backtest_adjust=ADJUST_PREV, backtest_initial_cash=, backtest_commission_ratio=0.0001, backtest_slippage_ratio=0.0001, backtest_match_mode=1) 

后续等有时间我再将多个因子融合试一下。