Python量化交易——分享一个五年五倍收益，年化收益率44%的多因子选股交易策略！

Python量化交易，使用qteasy测试一个多因子选股交易策略

问题介绍

今天我们尝试利用qteasy来创建一个多因子选股交易策略，看看它能否给我们带来超额收益。

qteasy是本人正在开发的一个快速量化交易工具包，完全免费使用。利用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；还能模拟实盘自动化交易；不仅如此，qteasy还内嵌了tushare，可以快速建立一个本地数据仓库，实现大量金融数据的快速下载、清洗、存储和快速调用。qteasy目前最新版本为v1.0.20，并且正在不断迭代中，最新版本可以通过pip安装。

python -m pip install qteasy

要获取更多信息，请访问Github项目地址或项目文档

策略思想

本策略每隔1个月定时触发,根据Fama-French三因子模型对每只股票进行回归，得到其alpha值。 假设Fama-French三因子模型可以完全解释市场，则alpha为负表明市场低估该股，因此应该买入。计算市场收益率、个股的账面市值比和市值,并对后两个进行了分类, 根据分类得到的组合分别计算其市值加权收益率、SMB和HML. 对各个股票进行回归(假设无风险收益率等于0)得到alpha值.

策略的实现

在另外两篇介绍交易策略的文章中，我们仅仅使用了qteasy的内置交易策略，但是，上面的交易策略属于复杂策略，无法通过简单的内置交易策略实现，也无法通过将多个内置策略复合起来实现，因此，我们必须用到qteasy的自定义交易策略功能，才能实现。

import qteasy as qt
qt.__version__

使用qteasy自定义交易策略

qteasy提供了三种不同的策略类，便于用户针对不同的情况创建自定义策略。

• GeneralStg: 通用交易策略类，适用于最普遍的情形
• FactorSorter: 因子选股类，用户只需要定义出选股因子，便可以通过对象属性实现多种选股动作
• RuleIterator: 循环规则类，用户只要针对一支股票定义选股或择时规则，则同样的规则会被循环作用于所有的股票，而且不同股票可以定义不同的参数

qteasy中的策略自定义非常简单，只需要重写两个方法即可：

• __init__() 在此方法中定义策略的运行参数，包括运行的频率、视窗长度、使用的数据类型、可调参数数量类型等
• realize() 在此方法中定义策略的运行逻辑：根据数据生成交易信号

在这个例子中，我们使用

import qteasy as qt
import numpy as np

def market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target):
    """ 根据mv_target和bp_target计算市值加权收益率，在策略中调用此函数计算加权收益率

    """
    sel = (mv_cat == mv_target) & (bp_cat == bp_target)
    mv_total = np.nansum(mv[sel])
    mv_weight = mv / mv_total
    return_total = np.nansum(stock_return[sel] * mv_weight[sel])
    return return_total


class MultiFactors(qt.FactorSorter):
    """ 开始定义交易策略
    """
    def __init__(self, pars: tuple = (0.5, 0.3, 0.7)):
    	"""交易策略的初始化参数"""
        super().__init__(
                pars=pars,  
                par_count=3,  # 策略的可调参数有三个
                par_types=['float', 'float', 'float'],  # 参数1:大小市值分类界限，参数2:小/中bp分界线，参数3，中/大bp分界线
                par_range=[(0.01, 0.99), (0.01, 0.49), (0.50, 0.99)],
                name='MultiFactor',
                description='根据Fama-French三因子回归模型估算HS300成分股的alpha值选股',
                strategy_run_timing='close',  # 在周期结束（收盘）时运行
                strategy_run_freq='m',  # 每月执行一次选股（每周或每天都可以）
                strategy_data_types='pb, total_mv, close',  # 执行选股需要用到的股票数据
                data_freq='d',  # 数据频率（包括股票数据和参考数据）
                window_length=20,  # 回测时的视窗长度为20天
                use_latest_data_cycle=True,  # 设置使用最新的数据
                reference_data_types='close-000300.SH',  # 选股需要用到市场收益率，使用沪深300指数的收盘价计算，因此设置HS300指数的收盘价作为参考数据传入
                max_sel_count=10,  # 最多选出10支股票
                sort_ascending=True,  # 选择因子最小的股票
                condition='less',  # 仅选择因子小于某个值的股票
                lbound=0,  # 仅选择因子小于0的股票
                ubound=0,  # 仅选择因子小于0的股票 
        )
    
    def realize(self, h, r=None, t=None, pars=None):
		""" 策略的选股逻辑在realize()函数中定义
		"""
        size_gate_percentile, bp_small_percentile, bp_large_percentile = self.pars
        # 读取投资组合的数据PB和total_MV的最新值
        pb = h[:, -1, 0]  # 当前所有股票的PB值
        mv = h[:, -1, 1]  # 当前所有股票的市值
        pre_close = h[:, -2, 2]  # 当前所有股票的前收盘价
        close = h[:, -1, 2]  # 当前所有股票的最新收盘价

        # 读取参考数据(r)
        market_pre_close = r[-2, 0]  # HS300的昨收价
        market_close = r[-1, 0]  # HS300的收盘价

        # 计算账面市值比，为pb的倒数
        bp = pb ** -1
        # 计算市值的50%的分位点,用于后面的分类
        size_gate = np.nanquantile(mv, size_gate_percentile)
        # 计算账面市值比的30%和70%分位点,用于后面的分类
        bm_30_gate = np.nanquantile(bp, bp_small_percentile)
        bm_70_gate = np.nanquantile(bp, bp_large_percentile)
        # 计算每只股票的当日收益率
        stock_return = pre_close / close - 1

        # 根据每只股票的账面市值比和市值，给它们分配bp分类和mv分类
        # 市值小于size_gate的cat为1，否则为2
        mv_cat = np.ones_like(mv)
        mv_cat += (mv > size_gate).astype('float')
        # bp小于30%的cat为1，30%～70%之间为2，大于70%为3
        bp_cat = np.ones_like(bp)
        bp_cat += (bp > bm_30_gate).astype('float')
        bp_cat += (bp > bm_70_gate).astype('float')

        # 获取小市值组合的市值加权组合收益率
        smb_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 2) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3)) / 3
        # 获取大市值组合的市值加权组合收益率
        smb_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 2) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 3
        smb = smb_s - smb_b
        # 获取大账面市值比组合的市值加权组合收益率
        hml_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 2
        # 获取小账面市值比组合的市值加权组合收益率
        hml_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +
                 market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1)) / 2
        hml = hml_b - hml_s

        # 计算市场收益率
        market_return = market_pre_close / market_close - 1

        coff_pool = []
        # 对每只股票进行回归获取其alpha值
        for rtn in stock_return:
            x = np.array([[market_return, smb, hml, 1.0]])
            y = np.array([[rtn]])
            # OLS估计系数
            coff = np.linalg.lstsq(x, y)[0][3][0]
            coff_pool.append(coff)

        # 以alpha值为股票组合的选股因子执行选股
        factors = np.array(coff_pool)

        return factors

策略和回测参数配置，并开始回测

定义好上面的策略之后，就可以开始进行回测了，我们需要在qteasy中创建一个交易员对象，操作前面创建的策略：

shares = qt.filter_stock_codes(index='000300.SH', date='20190501')  # 选择股票池，包括2019年5月以来所有沪深300指数成分股
# 设置回测的运行参数
qt.config(mode=1,  # mode=1表示回测模式
       invest_start='20160405',  # 回测开始日期
       invest_end='20210201',  # 回测结束日期
       asset_type='E',  # 投资品种为股票
       asset_pool=shares,  # shares包含同期沪深300指数的成份股
       trade_batch_size=100,  # 买入批量为100股
       sell_batch_size=1,  # 卖出批量为整数股
       trade_log=True,  # 生成交易记录
       )
       
#  开始策略的回测

alpha = MultiFactors()  # 生成一个交易策略的实例，名为alpha
op = qt.Operator(alpha, signal_type='PT')  # 生成交易员对象，操作alpha策略，交易信号的类型为‘PT'，意思是生成的信号代表持仓比例，例如1代表100%持有股票，0.35表示持有股票占资产的35%
op.op_type = 'stepwise'  # 运行模式为步进模式
op.set_blender('1.0*s0', "close")  # 交易策略混合方式，只有一个策略，不需要混合
op.run()  # 开始运行

回测结果解读

回测的结果如下：
回测时间四年十个月，资产总额从10万元增长到58万余元，增长接近500%，年化收益达到了44%。而同期沪深300指数只增长了65%。效果非常好

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 0.0 ms
time consumption for operation back looping:  16 sec 662.3 ms

investment starts on      2016-04-05 00:00:00
ends on                   2021-02-01 00:00:00
Total looped periods:     4.8 years.

-------------operation summary:------------
Only non-empty shares are displayed, call 
"loop_result["oper_count"]" for complete operation summary

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000063.SZ    2        2      4     3.4%      0.0%     96.6%  
000100.SZ    3        3      6     5.2%      0.0%     94.8%  
000157.SZ    1        1      2     1.8%      0.0%     98.2%  
000333.SZ    2        2      4     3.4%      0.0%     96.6%  
000338.SZ    1        1      2     1.7%      0.0%     98.3%  
000413.SZ    2        2      4     3.6%      0.0%     96.4%  
000596.SZ    1        1      2     1.8%      0.0%     98.2%  
000625.SZ    3        3      6     5.3%      0.0%     94.7%  
000629.SZ    1        1      2     1.7%      0.0%     98.3%  
000651.SZ    1        1      2     1.7%      0.0%     98.3%  
...            ...     ...   ...      ...       ...       ...
688005.SH    1        2      3     3.3%      0.0%     96.7%  
000733.SZ    1        1      2     1.8%      0.0%     98.2%  
002180.SZ    1        1      2     1.7%      0.0%     98.3%  
600039.SH    1        1      2     1.7%      0.0%     98.3%  
600803.SH    1        1      2     1.7%      0.0%     98.3%  
601615.SH    1        1      2     1.8%      0.0%     98.2%  
000983.SZ    2        2      4     3.3%      0.0%     96.7%  
600732.SH    3        4      7     6.7%      0.0%     93.3%  
600754.SH    1        1      2     1.8%      0.0%     98.2%  
601699.SH    1        1      2     1.7%      0.0%     98.3%   

Total operation fee:     ¥    7,063.30
total investment amount: ¥  100,000.00
final value:              ¥  584,928.02
Total return:                   484.93% 
Avg Yearly return:               44.15%
Skewness:                         -0.14
Kurtosis:                          2.77
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.428
Beta:                             0.371
Sharp ratio:                      1.376
Info ratio:                       0.076
250 day volatility:               0.287
Max drawdown:                    35.84% 
    peak / valley:        2018-06-12 / 2019-01-02
    recovered on:         2019-03-05

===========END OF REPORT=============