[量化学堂-策略开发]浅谈小市值策略

alpha
市值
多因字选股
标签: #<Tag:0x00007f5bff69a368> #<Tag:0x00007f5bff69a1b0> #<Tag:0x00007f5bff69a020>

(iQuant) #1

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,并整理买入股票列表

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:

 def prepare(context):
    # 引进prepare数据准备函数是为了保持回测和模拟能够通用
    # 获取股票代码
    instruments = D.instruments()
    start_date = context.start_date 
    # 确定结束时间
    end_date = context.end_date 
    # 获取股票总市值数据,返回DataFrame数据格式
    market_cap_data = D.history_data(instruments,context.start_date,context.end_date,
              fields=['market_cap','amount'])
    
    # 获取每日按小市值排序 (从低到高)的前三十只股票
    daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values('market_cap')[:30])
    context.daily_buy_stock = daily_buy_stock

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:回测主体
我们平台策略回测有丰富的文档介绍,请参考

# 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)) 

# 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:Equity格式

        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)
 

第三步:回测接口

m=M.trade.v3( 
    instruments=D.instruments(),
    start_date= '2013-01-01', 
    end_date='2017-11-08',
    # 必须传入initialize,只在第一天运行
    prepare=prepare,
    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。

纸上得来终觉浅,绝知此事须躬行。还是请小伙伴自己动手去实现吧:slight_smile: 点击 克隆策略就可以把策略克隆到自己的账户了。

克隆策略
In [5]:
def prepare(context):
    # 引进prepare数据准备函数是为了保持回测和模拟能够通用
    # 获取股票代码
    instruments = D.instruments()
    start_date = context.start_date 
    # 确定结束时间
    end_date = context.end_date 
    # 获取股票总市值数据,返回DataFrame数据格式
    market_cap_data = D.history_data(instruments,context.start_date,context.end_date,
              fields=['market_cap','amount'])
    
    # 获取每日按小市值排序 (从低到高)的前三十只股票
    daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values('market_cap')[:30])
    context.daily_buy_stock = daily_buy_stock
In [6]:
# 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)) 

# 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:Equity格式

        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)
In [7]:
m=M.trade.v3( 
    instruments=D.instruments(),
    start_date='2013-01-01', # 开始时间 
    end_date='2018-01-31', # 结束时间
    # 必须传入initialize,只在第一天运行
    prepare=prepare, # 数据准备函数
    initialize=initialize, # 初始化函数
    #  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',
)
[2018-02-05 22:11:56.169751] INFO: bigquant: backtest.v7 开始运行..
[2018-02-05 22:12:33.407678] INFO: algo: set price type:backward_adjusted
[2018-02-05 22:17:51.043118] INFO: Performance: Simulated 1237 trading days out of 1237.
[2018-02-05 22:17:51.045766] INFO: Performance: first open: 2013-01-04 01:30:00+00:00
[2018-02-05 22:17:51.048139] INFO: Performance: last close: 2018-01-31 07:00:00+00:00
  • 收益率1385.86%
  • 年化收益率73.28%
  • 基准收益率69.48%
  • 阿尔法0.64
  • 贝塔0.69
  • 夏普比率2.54
  • 胜率0.816
  • 盈亏比1.441
  • 收益波动率27.11%
  • 信息比率2.76
  • 最大回撤30.78%
[2018-02-05 22:18:00.915028] INFO: bigquant: backtest.v7 运行完成[364.745269s].

[量化学堂-策略开发]事件驱动策略(基于业绩快报)
社区干货与精选整理(持续更新中...)
请教:如何选出高市值的标的
我的策略 模拟盘为啥 没有交易记录呢???这个是每周都会调仓的啊。。。
为什么我的程序在我的交易”达到条件没有交易
(jiandanqinxin1990) #2

我想请问一下,如果在每月一号调仓的时候出现新股上市,也会出现部分很小市值的新股,此时如果进行买入操作,但是又买不进,程序里面应该怎么设置呢,包括停牌的小市值股票?


(iQuant) #3

对于停牌的股票,因为成交量为0,因此这类股票会被过滤
对于新上市的股票,会有一字涨停的情形,这类情形无法买入,是不会成交的,订单会取消


(hohner12) #4

请问,将换仓周期设置为一周之后,为什么会出现一周内连续交易的情况


(iQuant) #5

应该是代码有问题,建议你将修改的代码分享到社区大家看看。


(disc) #6

谢谢分享,抱走研究


(1899) #7

你好 请问类似止盈止损、买入卖出条件等能放在AI策略里么?要是可以放的话,是不是应该放在handle_data函数下,还是其他处理?


(小Q) #8

可以的。
策略进场出场、止盈止损、资金管理、风险控制可以自己编写代码。
AI策略也有handle_data函数,在里面实现就可以。


#9

还需要添加一些细节才能使用,调试一段时间后再来评论


(chenjianjia) #10

daily_buy_stock = market_cap_data.groupby(‘date’).apply(lambda df:df[(df[‘amount’] > 0)].sort_values(by=‘market_cap’,ascending=False)[:30])

为什么排序的ascending=False或者=True回测的结果都一样?
从2017年1月1日至2017年12月31日的回测

还是就是我想选择市值从小到大第500位开始的30只股票该怎么写代码?谢谢


(小Q) #11

你好,很可能你的代码某个地方有问题,建议你分享出来,大家帮你看看~


(chenjianjia) #13
import pandas as pd
# 获取股票代码
instruments = D.instruments()
# 确定起始时间
start_date = '2017-01-01' 
# 确定结束时间
end_date = '2017-12-31' 
# 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'])
# 获取每日按小市值排序 (从低到高)的前三十只股票
daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values(by='market_cap',ascending=True)[:30])


(chenjianjia) #14

1导入了pandas库 import pandas as pd
2修改了起止时间从2017年1月1日至2017年12月31日
3排序用了df.sort_values里面的参数,ascending=True是我自己加进去的
就改了这三个地方,其他和上面原帖的代码一样,可是我发现ascending=True或者ascending=False回测结果都一样啊,有高人指点一下吗?还有我想选择市值从小到大第500位开始的30只股票该怎么写代码?谢谢


(upndown) #15

应该是这样吧

daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0)].sort_values(by='market_cap',ascending=False)[500:530])

(chenjianjia) #16

这里ascending=True或者False,选前30支股票[:30]或者从第200位开始选30支股票[200:230],甚至直选一只股票[;1]回测的结果都是一样的呀?这是为什么?


(小Q) #17

你的策略应该是击中缓存了,你可以将交易模块中增加一个参数——m_deps,如下:

m=M.trade.v3( 
    instruments=D.instruments(),
    start_date='2013-01-01', # 开始时间 
    end_date='2018-01-31', # 结束时间
    # 必须传入initialize,只在第一天运行
    prepare=prepare, # 数据准备函数
    initialize=initialize, # 初始化函数
    #  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',
    m_deps=np.random.randn(),
)

分享策略到社区的方法是:如何分享策略到社区


(chenjianjia) #18

甚至吧by=‘market_cap’,换成by=‘amount’,回测的结果也一样


(chenjianjia) #19

问题解决了,但prepare函数应该不需要吧,能够简单解释一下击中缓存是什么意思吗?python能一步一步地调试程序吗?


(iQuant) #20

如果回测的话,prepare函数确实可以不要,但是如果要模拟实盘,每天会更新daily_buy_stock这个变量,因此需要借助prepare函数,因为这样的话可以把context传进去,可以根据start_date 和end_date 更新变量。

平台对于相同的参数传入,会击中缓存(hit cache),hit cache的时候日志可以看得出来,你可以稍微修改下传入的参数就能重新运行,不会hit cache。

之所以我们引入了缓存机制,是因为这样可以节约很多的计算资源!


(chenjianjia) #21

我知道了,我之前从量化学堂里克隆的那个版本没有prepare函数,daily_buy_stock是通过initialize函数传给context的,新版本是改在prepare里传给context,如果是这个原因的话可能没有击中缓存